针对轴承故障信号的非平稳性和非线性的特点，采用小波包分解和自回归（auto-regressive，AR）谱估计相结合的方法提取振动信号特征值；为了提高诊断结果的精度，提出用深度信念网络（deep believe network，DBN）进行诊断模型训练。首先，对轴承振动信号进行小波包分解和自回归谱估计，计算不同频段的能量实现轴承故障特征提取；其次，将提取到的特征值作为深度信念网络的输入向量，进行模型训练；最后，用训练好的模型进行故障诊断。为验证所提方法的有效性，采用美国凯斯西储大学提供的旋转轴承数据集，将提出的算法与三种故障诊断方法进行对比实验。实验结果表明，所提方法具有更好的诊断性能。
2019-12-21 21:40:09
1.4MB
1
神经网络故障诊断和数据预测的matlab程序；故障诊断运用的是BP神经网络，数据预测运用的是RBF神经网络，已经程序测试，成功运用
2019-12-21 20:07:49
1022B
1
神经网络故障诊断和数据预测的matlab程序；故障诊断运用的是BP神经网络，数据预测运用的是RBF神经网络，已经程序测试，成功完美运行
2019-12-21 18:53:40
1KB
1