电网技术

2018, v.42;No.420(11) 3805-3811

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于无监督特征学习的行星齿轮箱故障特征提取和检测
Feature Extraction and Detection of Planetary Gear Box Fault Using Unsupervised Feature Learning

李东东;王浩;杨帆;郑小霞;华伟;邹胜华;

摘要(Abstract):

风电机组行星齿轮箱振动信号是一种非平稳、非线性信号,传统故障检测方法对于此类信号处理能力有限。将卷积自动编码器引入风机故障检测领域,构建了一种一维卷积自动编码器网络结构。首先训练卷积自动编码器无监督的提取数据特征,得到行星轮不同健康状况的特征向量,再对特征向量求取平均值获得指标向量。通过监督学习获得最优闵可夫斯基指数,最后通过测试数据的特征向量和指标向量之间的闵式距离来判断故障类型,实现了行星齿轮不同健康状况数据的识别和分类。实验结果证明,该方法可以有效的提取行星齿轮箱故障特征并达到诊断故障的目的。

关键词(KeyWords): 行星齿轮箱;卷积自动编码器;闵式距离;无监督学习;故障诊断

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目(51407114,51507098);; 上海市科学技术委员会资助(13DZ2251900,10DZ2273400);; 上海市“曙光计划”项目(15SG50)~~

作者(Author): 李东东;王浩;杨帆;郑小霞;华伟;邹胜华;

Email:

DOI:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享