栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断

被引：16

作者：

陈仁祥 ^{[1
,2
]}

杨星 ^{[1
]}

杨黎霞 ^{[3
]}

王家序 ^{[2
]}

徐向阳 ^{[1
]}

陈思杨 ^{[1
]}

机构：

[1] 重庆交通大学机电与车辆工程学院

[2] 四川大学空天科学与工程学院

[3] 重庆交通大学经济与管理学院

来源：

振动与冲击 | 2017年 / 36卷 / 21期

基金：

中国博士后科学基金;

关键词：

滚动轴承; 损伤程度; 稀疏加噪自编码; 深度神经网络; 诊断;

D O I：

10.13465/j.cnki.jvs.2017.21.019

中图分类号：

TH133.33 [滚动轴承]; TP183 [人工神经网络与计算];

学科分类号：

摘要：

针对滚动轴承损伤程度的特征自学习提取与智能诊断问题,提出栈式稀疏加噪自编码深度神经网络的滚动轴承损伤程度诊断方法。滚动轴承损伤特征受到工况、环境噪声等干扰,浅层自编码网络对损伤特征的自学习、提取能力不足。为此,论文将稀疏项限制和加噪编码融入自编码网络,同时将自编码网络堆栈并添加分类层,构建出栈式稀疏加噪自编码深度神经网络,进行轴承损伤特征非监督自动提取与损伤程度智能诊断。稀疏项限制和深度神经网络的构建提高了特征学习能力,加噪编码的融入改善了网络的鲁棒性。所构建深度神经网络通过多层无监督逐层自学习和有监督微调,完成损伤特征自动提取与表达,并实现了损伤程度智能诊断。不同工况下轴承损伤程度诊断的实验验证证明了所提方法的可行性和有效性。

引用

页码：125 / 131+137 +137

页数：8

共 10 条

[1] 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

[2] 基于频域信号的稀疏编码在机械故障诊断中的应用 [J].

朱会杰 ;

王新晴 ;

芮挺 ;

李艳峰 ;

李立平 .

振动与冲击, 2015, 34 (21) :59-64

[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] 基于多尺度熵的滚动轴承故障程度评估 [J].

张龙 ;

黄文艺 ;

熊国良 .

振动与冲击, 2014, 33 (09) :185-189

[5] 基于振动图像纹理特征识别的轴承故障程度诊断方法研究 [J].

关贞珍 ;

郑海起 ;

叶明慧 .

振动与冲击, 2013, 32 (05) :127-131

[6] 基于AR模型的Kolmogorov-Smirnov检验性能退化及预测研究 [J].

从飞云 ;

陈进 ;

董广明 .

振动与冲击, 2012, 31 (10) :79-82

[7] 基于EMD和Lempel-Ziv指标的滚动轴承损伤程度识别研究 [J].

窦东阳 ;

赵英凯 .

振动与冲击, 2010, 29 (03) :5-8+200

[8]

Life grade recognition method based on supervised uncorrelated orthogonal locality preserving projection and K-nearest neighbor classifier[J] . Feng Li,Jiaxu Wang,Baoping Tang,Daqing Tian.Neurocomputing . 2014

[9]

Adaptive feature extraction using sparse coding for machinery fault diagnosis[J] . Haining Liu,Chengliang Liu,Yixiang Huang.Mechanical Systems and Signal Processing . 2010 (2)

[10] Reconstruction and recognition of face and digit images using autoencoders [J].

Tan, Chun Chet ;

Eswaran, C. .

NEURAL COMPUTING & APPLICATIONS, 2010, 19 (07) :1069-1079

← 1 →