-
题名基于堆叠稀疏自编码的滚动轴承故障诊断
被引量：12
- 1
-
-
作者
侯荣涛
周子贤
赵晓平
谢阳阳
王丽华
-
机构
南京信息工程大学计算机与软件学院
南京信息工程大学江苏省网络监控中心
南京信息工程大学信息与控制学院
-
出处
《轴承》
北大核心
2018年第3期49-54,60,共7页
-
基金
国家自然科学基金项目(51505234
51405241)
-
文摘
针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入softmax分类器实现滚动轴承健康状况精确诊断。在动力传动故障诊断试验台采集了5类轴承故障数据进行测试。试验结果表明:SSAE算法能够有效地提取故障特征,且故障诊断效果优于传统智能诊断方法。
-
关键词
滚动轴承
深度学习
堆叠稀疏自编码算法
故障诊断
-
Keywords
rolling bearing
deep learning
stacked sparse autoencoder algorithm
fault diagnosis
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名人工智能技术在风电机组预知维护中的研究与应用
- 2
-
-
作者
吴吉军
冯江哲
王灿
-
机构
龙源(北京)风电工程技术公司
-
出处
《风力发电》
2022年第5期27-29,26,共4页
-
文摘
随着我国经济的快速发展、工业现代化进程加速,能源需求正在持续增长,为了响应国家“碳达峰”“碳中和”目标,风能作为清洁、无污染、可再生并且开发技术成熟的清洁能源,需求更是与日俱增。风机装机量在增加的同时,也伴随着故障检修不及时、不全面以及检修人员匮乏等问题。因此本文提出了基于大数据及人工智能技术故障预警方法,使用深度学习堆叠自编码(SAE)算法对风电机组齿轮箱散热及齿轮箱轴承类故障进行预警,模型准确率达73.6%;利用长短型记忆网络(LSTM)模型完成了发电机轴承故障诊断预警;利用机组降容的数据特点与图像识别进行深度融合对风电机组降容诊断及根因分析,模型准确率达到85%。
-
关键词
大数据与人工智能
堆叠自编码算法
LSTM模型
图像识别
-
Keywords
Big data and artificial intelligence
Stacked autocoding algorithm
LSTM model
Image recognition
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
