科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的基于深度卷积神经网络（CNN）的滚动轴承故障诊断方法，存在梯度扩散、参数爆炸、小样本泛化能力弱和训练时间长等缺点，主成分分析网络（PCAnet）相比CNN网络结构大大简化，无需反向传播，一定程度上解决了上述问题。而PCAnet本质上还是将图像转化为向量进行特征提取，忽略了多维图像的空间结构关系和内在信息，MPCAnet能从多维空间中提取图像的高级语义特征，提升了处理张量对象时的分类精度。由于实测滚动轴承振动信号通常存在噪声干扰，具有非线性和非平稳的特性，而MPCAnet在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题，因此在其基础上引入核（Kernel）变换，提出一种改进的多线性主成分分析网络，加大了训练样本间的差异度，进一步提升了MPCAnet在处理非线性数据时的泛化能力和分类精度。在不同滚动轴承故障诊断数据集中验证了该方法具有较高的鲁棒性，能够准确识别滚动轴承的各类故障。
- 出版日期2021-7-1
- 单位汽车车身先进设计制造国家重点实验室; 湖南大学
