仪器仪表学报

作者：张焱1，冯乔琦1，黄庆卿1，陈仁祥2

单位：张焱1，冯乔琦1，黄庆卿1，陈仁祥2,（1?重庆邮电大学 工业物联网与网络化控制教育部重点实验室重庆400065； 2?重庆交通大学机电与车辆工程学院重庆400074）,

关键词：关键词：滚动轴承;状态识别;变工况;自编码;深度网络;非负约束

基金：*基金项目：国家重点研发计划（2018YFB1700200）、国家自然科学基金（51705056、51975079、51605065）、重庆市技术创新与应用示范产业类重点研发（cstc2018jszx?cyzdX0131）、重庆市自然科学基金（cstc2018jcyjAX0139）资助

摘要：为获取数据基于部分特征表示及提升稀疏性，在深度网络中嵌入非负约束，并提出基于非负约束自编码深度网络的滚动轴承状态识别方法。堆栈多个自编码器以及分类层，构建状态特征自学习与状态识别一体化模型。以轴承振动信号时频幅值谱作为网络输入，采用嵌入非负约束限制的无监督逐层预训练和有监督微调算法实现模型优化。深度网络逐层自编码提取数据内在特征，非负约束和加噪编码提升了深度网络的基于部分特征表示能力，并降低了工况变化、噪声干扰等因素影响。将所提方法分别应用于两类滚动轴承的振动数据分析，对时变工况下4种不同状态轴承以及恒定工况下8种不同状态轴承的平均识别准确率分别为97?99%和97?32%，其中保持器不同磨损程度轴承平均识别准确率为95?64%，同时所提方法在不同加噪情况下表现出良好抗噪能力。

来源：2020年第4期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2020年第4期