基于稀疏自动编码器与SVM的滚动轴承故障诊断方法
提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,针对支持向量机(Support Vector Machine,SVM)难以表征被测信号与轴承健康状况之间复杂的映射关系,以及高维数据下特征选取困难的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与SVM的方法.首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用深度稀疏自动编码器对特征向量进行学习,并提取深度特征,输入到SVM中进行训练;最后,采用有标签数据对结构进行微调,优化训练模型.为评估方法有效性,采用实验室数据进行测试,并与传统SVM方法进行比较,结果显示该方法具有更好准确性和稳定性.
滚动轴承 故障诊断 稀疏自动编码器 支持向量机
敦泊森 王奉涛 邓刚 刘晓飞
大连理工大学振动工程研究所,大连116023
国内会议
南宁
中文
1-8
2017-10-20（万方平台首次上网日期，不代表论文的发表时间）