基于稀疏自动编码深度神经网络的感应电动机故障诊断

被引：99

作者：

孙文珺

邵思羽

严如强

机构：

[1] 东南大学仪器科学与工程学院

来源：

机械工程学报 | 2016年 / 52卷 / 09期

关键词：

稀疏自动编码器; 深度神经网络; 去噪编码; dropout; 故障诊断;

D O I：

暂无

中图分类号：

TM346 [感应电机]; TP183 [人工神经网络与计算];

学科分类号：

摘要：

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。

引用

页码：65 / 71

页数：7

共 11 条

[1] 基于改进证据理论及多神经网络融合的故障分类 [J].

李巍华 ;

张盛刚 .

机械工程学报, 2010, 46 (09) :93-99

[2] 基于D-S证据理论和BP算法的直流电机故障诊断研究 [J].

嵇斗 ;

王向军 .

船电技术, 2007, (04) :204-206

[3] 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

[4] Improved BP Neural Network for Transformer Fault Diagnosis [J].

SUN Yan-jing .

JournalofChinaUniversityofMining&Technology, 2007, (01) :138-142

[5] 基于小波包的遗传神经网络故障诊断系统研究 [J].

刘贵立 ;

张国英 .

机械工程学报, 2000, (09) :110-112

[6] Algorithm learning based neural network integrating feature selection and classification [J].

Yoon, Hyunsoo ;

Park, Cheong-Sool ;

Kim, Jun Seok ;

Baek, Jun-Geol .

EXPERT SYSTEMS WITH APPLICATIONS, 2013, 40 (01) :231-241

[7]

A novel hybrid classification model of artificial neural networks and multiple linear regression models[J] . Mehdi Khashei,Ali Zeinal Hamadani,Mehdi Bijari.Expert Systems With Applications . 2011 (3)

[8] Application and comparison of an ANN-based feature selection method and the genetic algorithm in gearbox fault diagnosis [J].

Hajnayeb, A. ;

Ghasemloonia, A. ;

Khadem, S. E. ;

Moradi, M. H. .

EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (08) :10205-10209

[9] ON INFORMATION AND SUFFICIENCY [J].

KULLBACK, S ;

LEIBLER, RA .

ANNALS OF MATHEMATICAL STATISTICS, 1951, 22 (01) :79-86

[10]

ImageNet classification with deep convolutional neural networks .2 A. Krizhevsky,I. Sutskever,G. Hinton. Advances in neural information processing systems . 2012

← 1 2 →