[1]须颖李昊东安冬.基于GLCM-SDAE的滚动轴承故障诊断方法[J].沈阳建筑大学学报(自科版),2020,(4):720-728.[doi:10.11717/j.issn:2095-1922.2020.04.18]

点击复制

基于GLCM-SDAE的滚动轴承故障诊断方法()

分享到：

《沈阳建筑大学学报(自科版)》[ISSN:1006-6977/CN:61-1281/TN]

摘要:: 目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足，结合堆栈去噪自编码（Stacked Denoising AutoEncoders，SDAE）算法在提取特征和特征分类等方面的优势，提出一种基于灰度共生矩阵（GreyLevel Cooccurrence Matrix，GLCM）和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换（ShortTime Fourier Transform，STFT）将滚动轴承振动信号转化为灰度时频图，然后利用灰度共生矩阵提取灰度时频图中的故障特征参数，构建滚动轴承故障类别的特征向量空间，最后将其输入到构建的SDAE网络模型中，以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验，结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机（Support Vector Machine，SVM）、深度信念网络（Deep Belief Network，DBN）等方法，笔者所提出的方法能够提高故障识别率，可有效地对滚动轴承故障状态进行智能诊断.

[1]石怀涛乔思康丁健华王子男白晓天.基于改进卷积神经网络CNND的电主轴轴承故障诊断方法[J].沈阳建筑大学学报(自科版),2020,(2):361.[doi:10.11717/j.issn:2095-1922.2020.02.21]
[2]邓媛媛,刘国奇,蔡磊.基于设备运行数据的风机故障诊断方法[J].沈阳建筑大学学报(自科版),2021,(5):942.[doi:10.11717/j.issn:2095-1922.2021.05.22]
[3]石怀涛,李宁宁,赵金宝,等.基于压缩采集特征提取与CNN_SVM的滚动轴承的故障诊断[J].沈阳建筑大学学报(自科版),2022,(6):1129.[doi:10.11717/j.issn:2095-1922.2022.06.21]
[4]侯祥林,王鑫,李诗雨,等.基于过渡过程信号的振动机机体结构裂纹故障检测[J].沈阳建筑大学学报(自科版),2023,(2):355.[doi:10.11717/j.issn:2095-1922.2023.02.20]
[5]赵德宏,李永利.基于GA-VMD分解与支持向量机的刀具故障诊断研究[J].沈阳建筑大学学报(自科版),2024,(2):361.[doi:10.11717/j.issn:2095-1922.2024.02.20]

更新日期/Last Update: 2020-08-08