噪声与振动控制

噪声与振动控制 ›› 2022, Vol. 42 ›› Issue (3): 98-104.

• 信号处理与故障诊断 • 上一篇    下一篇

基于深度置信网络和对称点模式电机轴承故障诊断研究

张苏颖1，竺兴妹1，许曙青2   

  1. （ 1. 江苏联合职业技术学院南京工程分院，南京210035；
    2. 中国矿业大学经济与管理学院，江苏徐州221116 ）
  • 收稿日期:2021-05-14 修回日期:2021-08-02 出版日期:2022-06-18 发布日期:2022-06-28

Research of Motor Bearing Fault Diagnosis Based on Deep Belief Network and Symmetric Dot Pattern

  • Received:2021-05-14 Revised:2021-08-02 Online:2022-06-18 Published:2022-06-28

PDF

摘要： 电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题，以故障信号可视化和特征自提取为目标，将深度置信网络(Deep Belief Network，DBN)与对称点模式(Symmetrized Dot Pattern，SDP)变换相结合，提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示，基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态，并生成相应的轴承故障SDP图像库；然后采用深度置信网络作为数据训练模型以实现故障特征自提取；最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明，该方法不仅分类率达到98 %以上，而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。

关键词: 电机轴承, 对称点模式, 深度置信网络, 故障诊断