基于深度信念網(wǎng)絡(luò)的軸承故障分類(lèi)識(shí)別

李巍華　單外平　曾雪瓊

摘要：特征提取是故障智能診斷的關(guān)鍵步驟，然而不同的特征提取方法所得到的特征不同，導(dǎo)致診斷結(jié)果也可能有所差異，增加了人工特征選擇的難度和不確定性。深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）是一種典型的深度學(xué)習(xí)（Deep Learning）方法，可以通過(guò)組合低層特征形成更加抽象的高層表示，發(fā)現(xiàn)數(shù)據(jù)的分布式特征。DBN可直接從低層原始信號(hào)出發(fā)，通過(guò)逐層智能學(xué)習(xí)得到更好的特征表示，避免特征提取與選擇的人工操作，增強(qiáng)識(shí)別過(guò)程的智能性。將DBN直接應(yīng)用于軸承振動(dòng)原始信號(hào)的處理，實(shí)現(xiàn)軸承故障的分類(lèi)識(shí)別。試驗(yàn)結(jié)果表明，DBN可以直接通過(guò)原始數(shù)據(jù)對(duì)軸承故障進(jìn)行分類(lèi)識(shí)別，優(yōu)先調(diào)節(jié)時(shí)間復(fù)雜度偏導(dǎo)數(shù)較大的參數(shù)，可有效控制DBN的計(jì)算成本。