基于深度学习的故障检测方法

被引：19

作者：

吴魁 ^{[1
]}

王仙勇 ^{[1
]}

孙洁 ^{[1
]}

黄玉龙 ^{[1
,2
]}

机构：

[1] 北京航天测控技术有限公司

[2] 北京市高速交通工具智能诊断与健康管理重点实验室

来源：

计算机测量与控制 | 2017年 / 25卷 / 10期

关键词：

深度学习; 深度置信网络; 故障检测;

D O I：

10.16526/j.cnki.11-4762/tp.2017.10.012

中图分类号：

TP18 [人工智能理论]; TP277 [监视、报警、故障诊断系统];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0804 ; 080401 ; 080402 ;

摘要：

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别;经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。

引用

页码：43 / 47

页数：5

共 11 条

[1] 智能制造装备的发展现状与趋势[J].傅建中. 机电工程.2014(08)
[2] 数据驱动故障预测和健康管理综述[J].彭宇,刘大同. 仪器仪表学报.2014(03)
[3] 机械故障诊断基础研究“何去何从”[J].王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报.2013(01)
[4] 航空发动机传感器故障诊断设计与验证综合仿真平台[J].李睿,郭迎清,吴文斐. 计算机测量与控制.2010(03)
[5] 故障诊断专家系统研究的现状与展望[J].吴明强,史慧,朱晓华,肖开清. 计算机测量与控制.2005(12)
[6] 支持向量数据描述与支持向量机及其应用[D].黄光鑫.电子科技大学.2011
[7] 基于深度置信网络的数据驱动故障诊断方法研究[D].葛强强.哈尔滨工业大学.2016
[8] Discriminativedeepbeliefnetworksforvisualdataclassification[J].YanLiu,ShusenZhou,QingcaiChen. PatternRecognition.2010(10)
[9] AFastLearningAlgorithmforDeepBeliefNets[J].GeoffreyE.Hinton,SimonOsindero,Yee-WhyeTeh. NeuralComputation.2006(7)
[10] Lowresolutionfacerecognitionbasedonsupportvectordatadescription[J].Sang-WoongLee,JooyoungPark,Seong-WhanLee. PatternRecognition.2006(9)

← 1 2 →