基于多路稀疏自编码的轴承状态动态监测

被引：16

作者：

张绍辉

机构：

[1] 厦门理工学院机械与汽车工程学院

来源：

振动与冲击 | 2016年 / 35卷 / 19期

关键词：

深度学习; 稀疏自编码; 状态识别;

D O I：

10.13465/j.cnki.jvs.2016.19.021

中图分类号：

TH133.3 [轴承];

学科分类号：

摘要：

机械系统的运行是一个时变的过程,为了更好的监测系统的健康状况,通常在设备系统的关键部位加装各种传感器,由此产生大量的数据,传统的单一数据或者人为经验指导均无法快速有效的提取其中的状态信息,排除冗余成分的影响,实现对设备运行状态实时有效的判断。为了有效利用设备上的多路传感器信息,并融合这些信息提取描述系统运行状态的有效成分,实现对机械系统的在线监测。提出利用稀疏自编码深度学习模型对各个传感器采集到的数据进行融合,并结合平方预测误差SPE(Square Prediction Error)指标描述设备运行状态,轴承仿真及轴承故障实验证明,采用稀疏自编码与平方预测误差相结合的模型能够有效的监测轴承故障,并对故障部位进行准确定位。

引用

页码：125 / 131

页数：7

共 7 条

[1]

基于流形学习的滚动轴承故障诊断若干方法研究.[D].王雷.大连理工大学.2013, 08

[2]

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

[3] An approach to fault diagnosis of reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks [J].

Van Tung Tran ;

AlThobiani, Faisal ;

Ball, Andrew .

EXPERT SYSTEMS WITH APPLICATIONS, 2014, 41 (09) :4113-4122

[4] Unsupervised Learning of Hierarchical Representations with Convolutional Deep Belief Networks [J].

Lee, Honglak ;

Grosse, Roger ;

Ranganath, Rajesh ;

Ng, Andrew Y. .

COMMUNICATIONS OF THE ACM, 2011, 54 (10) :95-103

[5] A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[6]

Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics.[J].Hai Qiu;Jay Lee;Jing Lin;Gang Yu.Journal of Sound and Vibration.2005, 4

[7] Modeling of low shaft speed bearing faults for condition monitoring [J].

Wang, YF ;

Kootsookos, PJ .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 1998, 12 (03) :415-426

← 1 →