《机电工程》杂志,月刊( 详细... )
中国标准连续出版物号: ISSN 1001-4551 CN 33-1088/TH
主办单位:浙江省机电集团有限公司
浙江大学
主编:陈 晓
副 主 编:唐任仲、罗向阳(执行主编)
总 经 理:罗向阳
出 版:浙江《机电工程》杂志社有限公司
地 址:杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel:+86-571-87041360、87239525
E-mail:meem_contribute@163.com
国外发行:中国国际图书贸易总公司
订阅:全国各地邮局 国外代号:M3135
国内发行:浙江省报刊发行局
邮发代号:32-68
广告发布登记证:杭上市管广发G-001号
在线杂志 |
当前位置: 机电工程 >>在线杂志 |
基于SDP图像与VGG网络的旋转机械转子故障诊断研究
作者:武海彬,卜明龙,刘圆圆,郝惠敏* 日期:2020-11-18/span> 浏览:2161 查看PDF文档
基于SDP图像与VGG网络的旋转机械转子故障诊断研究*
武海彬,卜明龙,刘圆圆,郝惠敏*
(太原理工大学 机械与运载工程学院,山西 太原 030024)
摘要:针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。
关键词:深度学习;VGG网络;SDP图像;多通道信息融合;转子故障诊断;极限学习机
中图分类号:TH132.46;TH113.1 文献标识码:A 文章编号:1001-4551(2020)09-1069-06
本文引用格式:
武海彬,卜明龙,刘圆圆,等.基于SDP图像与VGG网络的旋转机械转子故障诊断研究[J].机电工程,2020,37(9):1069-1074.
WU Hai-bin, BU Ming-long, LIU Yuan-yuan, et al. Rotor fault diagnosis of rotating machinery based on SDP images and VGG network[J].Journal of Mechanical & Electrical Engineering, 2020,37(9):1069-1074.《机电工程》杂志:http://www.meem.com.cn
友情链接