基于深度学习的轴承健康因子无监督构建方法

被引：81

作者：

赵光权 ^{[1
]}

刘小勇 ^{[1
]}

姜泽东 ^{[1
]}

胡聪 ^{[2
]}

机构：

[1] 哈尔滨工业大学自动化测试与控制系

[2] 广西自动检测技术与仪器重点实验室

来源：

仪器仪表学报 | 2018年 / 39卷 / 06期

关键词：

轴承健康因子; 深度学习; 去噪自编码器; 无监督学习;

D O I：

10.19650/j.cnki.cjsi.J1803218

中图分类号：

TH133.3 [轴承]; TP181 [自动推理、机器学习];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

传统的轴承健康因子(HI)构建方法一般需要由人工进行特征提取、特征选择、特征融合,并需要依赖大量专家经验和信号处理技术,且需要预先设计训练标签,过程费时费力,方法不具有通用性。因此,提出一种新的基于堆叠去噪自编码器(SDAE)的轴承HI无监督构建方法,利用去噪自动编码机深层结构直接对原始轴承振动信号进行无监督的自适应特征提取,进而输入到自组织映射网络进行特征降维从而获取轴承的健康状态表征值。在PHM2012轴承数据集上的实验结果表明,构建出的轴承HI曲线可以较好地反映轴承全寿命周期内的退化过程,相比于传统的HI构建方法具备更好的时间关联性和单调性,并且该方法无需依赖复杂的信号处理方法,整个过程以无监督的方式进行,具备一定的通用性。

引用

页码：82 / 88

页数：7

共 12 条

[1]

基于栈式去噪自动编码器的边际Fisher分析算法 [J].

颜丹 ;

蒋加伏 .

计算机工程与应用 , 2017, (05) :134-139

[2]

基于CFOA-MKHSVM的滚动轴承健康状态评估方法 [J].

康守强 ;

王玉静 ;

崔历历 ;

柳长源 ;

郑建禹 .

仪器仪表学报, 2016, 37 (09) :2029-2035

[3]

堆叠去噪自编码器在垃圾邮件过滤中的应用 [J].

李艳涛 ;

冯伟森 .

计算机应用, 2015, 35 (11) :3256-3260+3292

[4]

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法 [J].

唐贵基 ;

邓飞跃 .

仪器仪表学报, 2015, 36 (01) :143-151

[5]

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, 35 (03) :481-495

[6]

机械设备运行可靠性评估的发展与思考 [J].

何正嘉 ;

曹宏瑞 ;

訾艳阳 ;

李兵 .

机械工程学报, 2014, 50 (02) :171-186

[7]

基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测 [J].

申中杰 ;

陈雪峰 ;

何正嘉 ;

孙闯 ;

张小丽 ;

刘治汶 .

机械工程学报, 2013, 49 (02) :183-189

[8]

Deep learning [J].

LeCun, Yann ;

Bengio, Yoshua ;

Hinton, Geoffrey .

NATURE, 2015, 521 (7553) :436-444

[9]

Condition assessment for the performance degradation of bearing based on a combinatorial feature extraction method.[J].Sheng Hong;Zheng Zhou;Enrico Zio;Kan Hong.Digital Signal Processing.2014,

[10]

Failure diagnosis using deep belief learning based health state classification.[J].Prasanna Tamilselvan;Pingfeng Wang.Reliability Engineering and System Safety.2013,

← 1 2 →