基于自动编码器和SVM的轴承故障诊断方法

简介

支持向量机（support vector machine,SVM）应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络（deep neural network,DNN）的应用与推广,自动编码器（auto-encoder,AE）在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器（denoising autoencoder,DAE）,进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解（empirical mode decomposition,EMD）能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.