基于随机森林和自编码的滚动轴承多视角特征融合（英文）

被引：7

作者：

孙文卿

邓艾东

邓敏强

朱静

翟怡萌

程强

刘洋

机构：

[1] 东南大学火电机组振动国家工程研究中心

[2] 东南大学能源与环境学院

来源：

Journal of Southeast University(English Edition) | 2019年 / 35卷 / 03期

关键词：

多视角特征; 特征融合; 故障诊断; 滚动轴承; 机器学习;

D O I：

暂无

中图分类号：

TH133.33 [滚动轴承]; TP181 [自动推理、机器学习];

学科分类号：

摘要：

为了提高复杂工况下滚动轴承故障诊断的准确性和鲁棒性,提出了基于振动信号多视角特征深度融合的故障诊断方法.首先,通过傅里叶变换、希尔伯特变换以及经验模态分解(EMD)提取滚动轴承振动信号的时域、频域及时频域特征;然后,利用随机森林模型(RF)选择多视角特征集中与轴承运行状态相关性较大的特征,将选出特征通过自编码器(AE)进行深度融合以进一步降低特征的冗余性;最后,将融合后的多视角特征作为支持向量机(SVM)的输入,以对其有效性进行评价.实验结果表明,提出的多视角特征融合的故障诊断方法能有效地反映轴承运行状态之间的差异,提高了滚动轴承故障诊断的准确率.

引用

页码：302 / 309

页数：8

共 3 条

[1] Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data[J] . Feng Jia,Yaguo Lei,Jing Lin,Xin Zhou,Na Lu.Mechanical Systems and Signal Processing . 2015
[2] A novel bearing fault diagnosis model integrated permutation entropy, ensemble empirical mode decomposition and optimized SVM[J] . Xiaoyuan Zhang,Yitao Liang,Jianzhong Zhou,Yi zang.Measurement . 2015
[3] Generalized empirical mode decomposition and its applications to rolling element bearing fault diagnosis[J] . Jinde Zheng,Junsheng Cheng,Yu Yang.Mechanical Systems and Signal Processing . 2013

← 1 →