基于改进堆叠降噪自编码的滚动轴承故障分类

被引：62

作者：

侯文擎 ^{[1
]}

叶鸣 ^{[2
]}

李巍华 ^{[1
,2
]}

机构：

[1] 华南理工大学机械与汽车工程学院

[2] 华南理工大学广东省汽车检测工程技术研究中心

来源：

机械工程学报 | 2018年 / 54卷 / 07期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

降噪自编码; 深度神经网络; 超参数优化; 故障诊断;

D O I：

暂无

中图分类号：

TH133.33 [滚动轴承];

学科分类号：

080203 ;

摘要：

作为一种新兴的机器学习方法,深度学习在故障诊断领域逐渐得到了应用。其中,堆叠降噪自编码(Stacked de-noising auto-encoders,SDAE)算法先对原始数据添加"损伤噪声",然后通过自编码网络进行数据重构,从而得到更鲁棒性的特征表示,易于进行故障分类。然而针对具体的故障诊断问题,网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此,提出一种改进的SDAE诊断方法,利用粒子群算法(Particle swarm optimization,PSO)对DAE网络超参数进行自适应的选取来确定SDAE网络结构,据此得到故障状态的特征表示,输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证,试验结果表明,基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机(Support vector machine,SVM)、反向传播神经网络(Back propagation,BP)以及深度置信网络(Deep belief network,DBN)。

引用

页码：87 / 96

页数：10

共 11 条

[1] 基于深度学习理论的轴承状态识别研究 [J].

郭亮 ;

高宏力 ;

张一文 ;

黄海凤 .

振动与冲击, 2016, 35 (12) :166-170+195

[2] 基于稀疏自动编码深度神经网络的感应电动机故障诊断 [J].

孙文珺 ;

邵思羽 ;

严如强 .

机械工程学报, 2016, 52 (09) :65-71

[3] 基于深度学习理论的机械装备大数据健康监测方法 [J].

雷亚国 ;

贾峰 ;

周昕 ;

林京 .

机械工程学报, 2015, 51 (21) :49-56

[4] 深度学习研究进展 [J].

刘建伟 ;

刘媛 ;

罗雄麟 .

计算机应用研究, 2014, 31 (07) :1921-1930+1942

[5] 滚动轴承早期故障的特征提取与智能诊断 [J].

陈果 .

航空学报, 2009, 30 (02) :362-367

[6] 基于网格支持矢量机的涡轮泵多故障诊断 [J].

袁胜发 ;

褚福磊 ;

何永勇 .

机械工程学报, 2007, (04) :152-158

[7] 智能化系统的知识表达与推理机制 [J].

伍奎 ;

李润方 ;

刘景浩 .

机械工程学报, 2005, (05) :98-103

[8]

Intelligent fault diagnosis of roller bearings with multivariable ensemble-based incremental support vector machine[J] . XiaoLi Zhang,BaoJian Wang,XueFeng Chen.Knowledge-Based Systems . 2015

[9]

Application of the PSO–SVM model for recognition of control chart patterns[J] . Vahid Ranaee,Ata Ebrahimzadeh,Reza Ghaderi.ISA Transactions . 2010 (4)

[10]

A review of particle swarm optimization. Part I: background and development[J] . Alec Banks,Jonathan Vincent,Chukwudi Anyakoha.Natural Computing . 2007 (4)

← 1 2 →