[发明专利]基于深度信念网络和支持向量机的滚动轴承故障诊断方法在审
| 申请号： | 201711138864.X | 申请日： | 2017-11-17 |
| 公开（公告）号： | CN107917805A | 公开（公告）日： | 2018-04-17 |
| 发明（设计）人： | 熊景鸣;潘琳;朱昇;张志昌;黄陈林 | 申请（专利权）人： | 铜仁职业技术学院 |
| 主分类号： | G01M13/04 | 分类号： | G01M13/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 554300*** | 国省代码： | 贵州;52 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种基于能量算子解调的深度信念网络(DBN)和粒子群优化的支持向量机(PSO‑SVM)结合的轴承故障诊断方法。首先通过能量算子解调方法获得瞬时Teager波形图并求取它的时频特征统计参量，再采用DBN对时频特征统计量进行二次特征提取，最后将提取的特征参数输入到PSO‑SVM中进行故障分类。本发明方法不仅准确率更高，而且算法训练的时间大大缩短了，提高了故障诊断的准确率和效率。 | ||
| 搜索关键词： | 基于 深度 信念 网络 支持 向量 滚动轴承 故障诊断 方法 | ||
【主权项】：
一种基于能量算子解调的深度信念网络和支持向量机的滚动轴承故障诊断方法，其特征在于，所述诊断方法包括以下步骤：步骤1，以滚动轴承的原始振动数据作为输入样本，采用能量算子调解对数据进行预处理，计算出处理之后数据的时域特征统计量和频域特征统计量；步骤2，利用深度信念网络(DBN)对提取出来的时频特征统计量进行二次特征提取，优化参数分布特性；步骤3，以粒子群算法(PSO)对支持向量机(SVM)的参数进行优化，将步骤2提取出来的特征量和时域特征参数统计量输入到粒子群优化的支持向量机中，进行故障分类识别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于铜仁职业技术学院，未经铜仁职业技术学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711138864.X/，转载请声明来源钻瓜专利网。
