计算机应用研究

作者：贺思艳,刘亚,田新诚,

单位：1.山东电子职业技术学院智能制造工程系,济南250200；2.山东大学控制科学与工程学院,济南250061；

关键词：小波包分解,特征提取,深度信念网络,故障诊断,

基金：山东省重点研发计划资助项目(2016ZDJS02B03)；山东省重大科技创新工程项目(2017CXGC0601)；；

针对轴承故障信号的非平稳性和非线性的特点，采用小波包分解和自回归（auto-regressive，AR）谱估计相结合的方法提取振动信号特征值；为了提高诊断结果的精度，提出用深度信念网络（deep believe network，DBN）进行诊断模型训练。首先，对轴承振动信号进行小波包分解和自回归谱估计，计算不同频段的能量实现轴承故障特征提取；其次，将提取到的特征值作为深度信念网络的输入向量，进行模型训练；最后，用训练好的模型进行故障诊断。为验证所提方法的有效性，采用美国凯斯西储大学提供的旋转轴承数据集，将提出的算法与三种故障诊断方法进行对比实验。实验结果表明，所提方法具有更好的诊断性能。

来源：2019年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2019年第6期