PSO优化深度神经网络诊断齿轮早期点蚀故障

TH132.41; 基于数据驱动方法诊断齿轮故障时一般会用傅里叶变换等进行特征提取,特征提取方法的选取对诊断结果影响很大.提出应用深度神经网络来诊断齿轮早期点蚀故障,直接以采集的振动信号作为网络输入,可以避免特征提取环节产生误差.此外,应用粒子群算法优化深度神经网络,使训练过程更稳定、诊断率更高.在分析结果时应用主成分分析法对网络输出进行降维.用实验采集的数据训练并测试网络,诊断正确率能达到90％ 之上,证明所提出的方法是合理、可用的....

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 40; no. 7; pp. 974 - 979
Main Authors 李嘉琳, 何巍华, 曲永志
Format Journal Article
LanguageChinese
Published 东北大学 机械工程与自动化学院,辽宁 沈阳,110819%东北大学 机械工程与自动化学院,辽宁 沈阳 110819 01.07.2019
伊利诺伊大学芝加哥分校机械及工业工程系,伊利诺伊州 芝加哥 60607%武汉理工大学 机电工程学院,湖北 武汉,430070
Subjects
粒子群算法
主成分分析
早期点蚀
齿轮
深度神经网络
Online AccessGet full text

Cover

More Information
Summary:TH132.41; 基于数据驱动方法诊断齿轮故障时一般会用傅里叶变换等进行特征提取,特征提取方法的选取对诊断结果影响很大.提出应用深度神经网络来诊断齿轮早期点蚀故障,直接以采集的振动信号作为网络输入,可以避免特征提取环节产生误差.此外,应用粒子群算法优化深度神经网络,使训练过程更稳定、诊断率更高.在分析结果时应用主成分分析法对网络输出进行降维.用实验采集的数据训练并测试网络,诊断正确率能达到90％ 之上,证明所提出的方法是合理、可用的.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2019.07.012