基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

摘要/Abstract

摘要：

摘要：提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构，得到相应的特征矩阵；对特征矩阵进行SVD分解，并用所得整个奇异值序列构造特征向量，建立DBN多分类器模型，以实现滚动轴承的故障诊断；同时，将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明，所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.

关键词: 滚动轴承, 故障诊断, 奇异值分解, 深度信度网络, 多分类器

Abstract:

Abstract： A novel approach to fault diagnosis of rolling bearing using singular value decomposition (SVD) and multiple deep belief network (DBN) classifiers was proposed. According to this approach, vibration signals of rolling bearing under different conditions were reconstructed in the phase space and characteristic matrixes were obtained. Then, the characteristic matrixes were decomposed by SVD to get the singular values. After that, all the singular values were used to form a characteristic vector. Finally, a multiple DBN classifiers model was developed to identify the faults of rolling bearing. To confirm the superiority of the proposed approach, it was compared with DBN, BP neural network and SVM. The experimental results indicates that the proposed approach has a better performance in accuracy and efficiency to identify the fault patterns and severity of rolling bearing.

Key words: rolling bearing, fault diagnosis, singular value decomposition (SVD), deep belief network (DBN), multiple classifiers

中图分类号:

TH 17

李艳峰，王新晴，张梅军，朱会杰. 基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法[J]. 上海交通大学学报（自然版）, 2015, 49(05): 681-686.

LI Yanfeng，WANG Xinqing，ZHANG Meijun，ZHU Huijie. An Approach to Fault Diagnosis of Rolling Bearing Using SVD and Multiple DBN Classifiers[J]. Journal of Shanghai Jiaotong University, 2015, 49(05): 681-686.

参考文献

［1］Golub G H, Vanloan C F. 矩阵计算［M］. 袁亚湘译. 北京：科学出版社, 2001.

［2］杨宇, 程军圣, 于德介. 基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用［J ］. 振动与冲击, 2005, 24(2)：1215.

YANG Yu, CHENG Junsheng, YU Dejie. Application of EMD based singular value decomposition technique to sault diagnosis for roller bearing［J］. Journal of Vibration and Shock, 2005, 24(2)：1215.

［3］陆爽. 基于奇异值分解和支持向量机的滚动轴承故障模式识别［J］. 农业工程学报, 2007, 23(4)：115119.

LU Shuang. Fault pattern recognition of rolling bearing based on singularity value decomposition and support vector machine［J］. Transactions of CSAE, 2007, 23(4)：115119.

［4］孙志军, 薛磊, 许阳明, 等. 深度研究综述［J］. 计算机应用研究, 2012, 29(8)：28062810.

SUN Zhijun, XUE Lei, XU Yangming, et al. Overview of deep learning［J］. Application Research of Computers, 2012, 29(8)：28062810.

［5］Hinton G E, Simon O, YeeWhye T. A fast learning algorithm for deep belief nets［J］. Neural Computation, 2006, 18(7)：15271554.

［6］Hinton G E, Salakhutdinov R. Reducing the dimensionality of data with neural networks［J］. Science, 2006, 313：504507.

［7］Mohamed A, Dah G E, Hinton G E. Acoustic modeling using deep belief networks［J］. IEEE Trans on Audio, Speech, and Language Processing, 2012, 20(1)：1422.

［8］Nair V, Hinton G E. 3D object recognition with deep belief nets［C］∥Proc of Neural Information Processing System Networks and Applications. Vancouver, Canada：［s. n.］, 2009: 13391347.

［9］奚雪峰, 周国栋. 基于Deep Learning的代词指代消解［J］. 北京大学学报: 自然科学版，2014，50(1)：100110.

XI Xuefeng, ZHOU Guodong. Pronoun resolution based on deep learning［J］. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(1)：100110.

［10］Zhou S S, Chen Q C, Wang X L. Active deep learning method for semisupervised sentiment classification［J］. Neurocomputing, 2013,120(11)：536546.

［11］Zhou S S, Chen Q C, Wang X L. Fuzzy deep belief networks for semisupervised［J］. Neurocomputing, 2014, 131(5)：312322.

［12］Shang C, Yang F, Huang D X, et al. Datadriven soft sensor development based on deep learning technique［J］. Journal of Process Control, 2014, 24(2)： 223233.

［13］Tamilselvan P, Wang P F. Failure diagnosis using deep belief learning based health state classification ［J］. Reliability Engineering and System Safety, 2013, 115(8)：24135.

［14］Tran V T, Althobiani F, Ball A. An approach to fault diagnosis of reciprocating compressor valves using TeagerKaiser energy operator and deep belief networks［J］. Expert Systems with Applications, 2014, 41(9)：41134122.

［15］赵学智, 叶邦彦, 陈统坚. 奇异值差分谱理论及其在车床主轴箱故障诊断中的应用［J］. 机械工程学报, 2010, 46(1)：100108.

ZHAO Xuezhi, YE Bangyan, CHEN Tongjian. Difference spectrum theory of singular value and its application to the fault diagnosis of headstock of lathe［J］. Chinese Journal of Mechanical Engineering, 2010, 46(1)： 100108.

［16］段向阳, 王永生, 苏永生. 基于奇异值分解的信号特征提取方法研究［J］. 振动与冲击, 2009, 28(11)：3033.

DUAN Xiangyang, WANG Yongsheng, SU Yongsheng. Feature extraction methods based on singular value decomposition［J］. Journal of Vibration and Shock, 2009, 28(11)：3033.

［17］刘建伟, 刘媛, 罗雄麟. 玻尔兹曼机研究进展［J］. 计算机研究与发展, 2014, 51(1)：116.

LIU Jianwei, LIU Yuan, LUO Xionglin. Research and development on Boltzmann machine［J］. Journal of Computer Research and Development, 2014, 51(1)：116.

［18］Smonlensky P. Information processing in dynamical systems: Foundations of harmony theory［J］. Parallel Distributed Processing, 1986, 1(6)：194281.

［19］Loparo K A. Bearings data center ［EB/OB］. ［20140320］. http:∥www.eecs.cwru.edu/laboratory/bearing/download.htm.

编辑推荐

Metrics

阅读次数

全文

125

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	125

	来源	其他网站

	次数	125
	比例	100%

摘要

最新录用	在线预览	正式出版

0	0	47

[1]	许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278.
[2]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
[3]	马航宇, 周笛, 卫宇杰, 吴伟, 潘尔顺. 变工况下基于自适应深度置信网络的轴承智能故障诊断[J]. 上海交通大学学报, 2022, 56(10): 1368-1377.
[4]	卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262.
[5]	李红光, 郭英, 眭萍, 蔡斌, 苏令华. 基于稀疏贝叶斯的多跳频信号二维波达方向估计[J]. 上海交通大学学报, 2020, 54(4): 359-368.
[6]	胡晓强，仲训昱，张霄力，彭侠夫，何荧. 基于支持向量机辅助的四轴陀螺两级故障诊断方法[J]. 上海交通大学学报, 2020, 54(11): 1151-1156.
[7]	李林斌. 深水结构设计流剖面的推算方法研究[J]. 海洋工程装备与技术, 2018, 5(增刊): 193-198.
[8]	逯程1，徐廷学1，王虹2. 基于属性粒化聚类与回声状态网络的末制导雷达故障诊断[J]. 上海交通大学学报（自然版）, 2018, 52(9): 1112-1119.
[9]	吴军a, b，黎国强a，吴超勇a，程一伟c，邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报（自然版）, 2018, 52(5): 538-544.
[10]	贾雷，董炜，孙新亚，吉吟东，陈华. 基于节点电压增量方程的含容差轨道电路软故障诊断[J]. 上海交通大学学报（自然版）, 2017, 51(6): 679-685.
[11]	李庆1,LIANG Steven Y1,2,杨建国1. 谐波小波样本熵与HMM模型的轴承故障模式识别[J]. 上海交通大学学报（自然版）, 2016, 50(05): 723-729.
[12]	周锦瑜, 陈务军, 杜斌, 高成军. 预张力索杆体系分布式静不定与动不定分析[J]. 上海交通大学学报, 2016, 50(03): 345-350.
[13]	侯彦东，闫治宇，金勇. 小样本下基于特征子空间估计的故障诊断算法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 825-829.
[14]	邱路1，叶银忠2. 基于多Agent系统的动态网络系统拓扑结构故障诊断方法[J]. 上海交通大学学报（自然版）, 2015, 49(06): 902-906.
[15]	王秀青1，侯增广2，曾慧3，吕锋1，潘世英1. 基于多传感器信息融合的机器人故障诊断[J]. 上海交通大学学报（自然版）, 2015, 49(06): 793-798.