引入自适应学习率的深度学习模型及其应用

被引：25

作者：

杨望灿 ^{[1
]}

张培林 ^{[1
]}

孙也尊 ^{[2
]}

吴定海 ^{[1
]}

机构：

[1] 陆军工程大学石家庄校区

[2] 驻二四七厂军事代表室

来源：

华中科技大学学报(自然科学版) | 2018年 / 46卷 / 04期

关键词：

故障诊断; 深度学习; 深度信念网络; 自适应学习率; 行星齿轮箱;

D O I：

10.13245/j.hust.180404

中图分类号：

TH132.41 [齿轮及齿轮传动]; 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：

为了有效利用振动信号进行故障诊断,提出了一种基于自适应学习率的深度学习的行星齿轮箱故障诊断模型.针对深度信念网络(DBN)模型中学习率通常采用全局统一的常数型参数,提出了一种根据目标函数梯度的变化情况自适应调整学习率的DBN模型.采用学习率自适应调整的学习策略,能够加快DBN模型的迭代收敛速度,同时还能提高模型的识别准确率.将引入自适应学习率的DBN模型应用于行星齿轮箱故障诊断,直接通过原始振动信号实现行星齿轮箱健康状态的识别.实验结果表明:相比于其他特征提取、分类方法以及原始的DBN模型,提出的深度学习模型能够更有效地实现行星齿轮箱的故障诊断.

引用

页码：18 / 24

页数：7

共 12 条

[1]

基于深度学习模型的图像质量评价方法 [J].

李琳 ;

余胜生 .

华中科技大学学报(自然科学版), 2016, 44 (12) :70-75

[2]

改进卷积玻尔兹曼机的图像特征深度提取 [J].

刘凯 ;

张立民 ;

范晓磊 .

哈尔滨工业大学学报, 2016, 48 (05) :155-159

[3]

行星轮系动力学新模型及其故障响应特性研究 [J].

雷亚国 ;

罗希 ;

刘宗尧 ;

卢帆勃 ;

林京 ;

汤伟 .

机械工程学报, 2016, 52 (13) :111-122

[4]

基于信号传播模型的行星齿轮缺齿故障识别 [J].

熊一奇 ;

徐玉秀 .

仪器仪表学报, 2016, 37 (02) :249-255

[5]

Voice activity detection based on deep belief networks using likelihood ratio.[J].KIM Sang-Kyun;PARK Young-Jin;LEE Sangmin;.Journal of Central South University.2016, 01

[6]

基于自动编码器的短文本特征提取及聚类研究 [J].