基于深度信念网络的轴承故障分类识别

    李巍华　单外平　曾雪琼

    

    

    

    摘要：特征提取是故障智能诊断的关键步骤，然而不同的特征提取方法所得到的特征不同，导致诊断结果也可能有所差异，增加了人工特征选择的难度和不确定性。深度信念网络（Deep Belief Network，DBN）是一种典型的深度学习（Deep Learning）方法，可以通过组合低层特征形成更加抽象的高层表示，发现数据的分布式特征。DBN可直接从低层原始信号出发，通过逐层智能学习得到更好的特征表示，避免特征提取与选择的人工操作，增强识别过程的智能性。将DBN直接应用于轴承振动原始信号的处理，实现轴承故障的分类识别。试验结果表明，DBN可以直接通过原始数据对轴承故障进行分类识别，优先调节时间复杂度偏导数较大的参数，可有效控制DBN的计算成本。