基于深度学习的岸桥机构减速箱振动故障识别

作者：钱尼君; 李勇; 彭献勇; 吴奇

来源：机械设计与研究, 2021, 37(05): 78-82.

DOI：10.13952/j.cnki.jofmdr.2021.0183

• 起重机运行状态
• 整体经验模态分解
• 深度收缩自动编码网络

针对岸桥机构减速箱振动信号局部扰动特征学习问题的复杂性,提出一种新型故障诊断模型。首先利用整体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)变换对振动信号进行瞬态时频分析,获取典型参数的边际谱等特征,形成深度学习的特征向量。在此基础上,提出一种基于深度收缩自编码网络-模糊支持向量机的起重机械故障状态识别模型,并与深度稀疏自编码网络-模糊支持向量机模型等其它模型进行比较。实验结果显示,针对起重机械故障状态识别问题,所建立的新深度学习模型有很好的识别能力,识别准确率可达95.6%。

• 单位
  江西省特种设备检验检测研究院; 上海交通大学