最適化ディープビリーフネットワークを用いた転がり軸受故障診断

転がり軸受から測定された振動信号は、変動する運転条件と背景ノイズの影響を受けることが多く、これにより振動信号特性の多様性と複雑性が生じます。そのため、さらなる故障情報がない状態で、こうした振動信号から転がり軸受の故障を効果的に特定することは挑戦です。本研究では、転がり軸受故障診断のために新しい最適化ディープビリーフネットワーク（DBN）が提案されます。確率的勾配降下法を用いて、エネルギー関数に基づく制限ボルツマンマシン（RBMs）の事前学習後にすべての接続重みを効率的に微調整し、DBNの分類精度を向上させます。さらに、粒子群最適化を用いて、訓練されたDBNの最適な構造を決定し、最適化DBNを設計します。提案された方法は、転がり軸受のシミュレーション信号と実験信号の分析に適用されます。結果は、提案された方法が他の知能的手法よりもより正確で堅牢であることを確認します。