用于齿轮箱异常检测的非线性独立分量的一类深度特征提取方法
《Applied Soft Computing》:One-class deep feature extraction of nonlinear independent components for gearbox anomaly detection
【字体:
大
中
小
】
时间:2026年07月22日
来源:Applied Soft Computing 7.8
编辑推荐:
摘要:对于新投入使用的齿轮箱或经过长时间运行仍未出现性能下降的齿轮箱,目前仅有其健康状态数据可用。仅基于这些健康状态数据进行异常检测属于一类识别难题。该方法的关键在于提取能够有效区分正常状态与异常状态的特征。为解决这一问题,本文提出了一种仅利用健康状态数据实现齿轮箱状态监测的一类
摘要:对于新投入使用的齿轮箱或经过长时间运行仍未出现性能下降的齿轮箱,目前仅有其健康状态数据可用。仅基于这些健康状态数据进行异常检测属于一类识别难题。该方法的关键在于提取能够有效区分正常状态与异常状态的特征。为解决这一问题,本文提出了一种仅利用健康状态数据实现齿轮箱状态监测的一类深度特征提取方法。具体而言,首先从正常振动数据中估计出非线性独立分量,然后通过深度卷积自编码器对这些分量进行编码。通过该方法,正常振动信号的分布边界能够在特征空间中被清晰呈现。一旦检测到异常,即可立即识别出异常状态,而正常状态则可通过正常信号的存在来判定。该OCDFE方法在两个基准齿轮箱及一个齿轮箱故障诊断系统中进行了测试,其平均异常检测准确率分别达到了99.89%、99.92%和99.82%。实验结果表明,该方法能够为不同的异常检测器有效提取异常特征,有助于区分正常与异常特征,从而实现齿轮箱异常检测。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号