Key points are not available for this paper at this time.
Le diagnostic des défauts de roulements est d'une importance capitale pour garantir le fonctionnement sûr et fiable d'un moteur. L'apprentissage profond offre une capacité puissante pour extraire automatiquement les caractéristiques des données brutes. Un réseau de croyance profonde convolutionnel (CDBN) est une méthode d'apprentissage profond efficace. Dans cet article, une nouvelle méthode d'extraction de caractéristiques d'imagerie du spectre d'amplitude de vibration utilisant la transformée en onde continue et la conversion d'images est proposée, ce qui permet d'extraire les caractéristiques d'image en deux dimensions et d'éliminer l'effet des caractéristiques manuelles dans des conditions de faible rapport signal sur bruit, différentes conditions de fonctionnement et segmentation des données. Ensuite, un nouveau CDBN avec distribution gaussienne est construit pour apprendre les caractéristiques représentatives pour la classification des défauts de roulements. La méthode proposée est testée sur un ensemble de données de roulements de moteur avec quatre et dix classifications. Les résultats ont été comparés à d'autres méthodes. Les résultats expérimentaux montrent que la méthode proposée a réalisé des améliorations significatives et est plus efficace que les méthodes traditionnelles.
Zhao et al. (Mon,) ont étudié cette question.