基于深度信念网络的轴承故障分类识别

2016-07-20 09:59:40李巍华单外平曾雪琼
振动工程学报 2016年2期
关键词:特征提取分类深度

李巍华 单外平 曾雪琼

摘要:特征提取是故障智能诊断的关键步骤,然而不同的特征提取方法所得到的特征不同,导致诊断结果也可能有所差异,增加了人工特征选择的难度和不确定性。深度信念网络(Deep Belief Network,DBN)是一种典型的深度学习(Deep Learning)方法,可以通过组合低层特征形成更加抽象的高层表示,发现数据的分布式特征。DBN可直接从低层原始信号出发,通过逐层智能学习得到更好的特征表示,避免特征提取与选择的人工操作,增强识别过程的智能性。将DBN直接应用于轴承振动原始信号的处理,实现轴承故障的分类识别。试验结果表明,DBN可以直接通过原始数据对轴承故障进行分类识别,优先调节时间复杂度偏导数较大的参数,可有效控制DBN的计算成本。


登录APP查看全文

猜你喜欢
特征提取分类深度
分类算一算
基于Gazebo仿真环境的ORB特征提取与比对的研究
电子制作(2019年15期)2019-08-27 01:12:00
深度观察
深度观察
深度观察
教你一招:数的分类
一种基于LBP 特征提取和稀疏表示的肝病识别算法
基于MED和循环域解调的多故障特征提取
Walsh变换在滚动轴承早期故障特征提取中的应用
轴承(2010年2期)2010-07-28 02:26:12