基于深度神经网络的液压泵泄漏状态识别

发布时间：2022-01-02 09:09

　　针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。 

【文章来源】：仪器仪表学报. 2020,41(04)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

自编码器结构

本文基于SSAE和Softmax构建了一个深度神经网络(DNN)。堆栈稀疏自编码器包含多个稀疏自编码器(sparse autoencoder, SAE),通过无监督的方式学习高维特征,将前一个稀疏自编码器提取的特征作为下一个稀疏自编码器的输入,以此方式层层堆叠,组成堆栈稀疏自编码器。本文的堆栈稀疏自编码器是由两个稀疏自编码器堆叠而成,其顶部输出与Softmax分类器相连,构成深度神经网络,其网络模型如图2所示。为了进一步改善DNN的识别性能,可以利用代价函数来微调整个DNN。通过反向传播算法,调整Softmax层,第2个稀疏自动编码器以及第1个稀疏自动编码器的参数,使DNN的训练误差变小,从而达到改善性能的目的。

实验过程的具体流程如图3所示。具体步骤描述如下:1)利用小波变换和HHT提取低维特征。每种泄漏状态都包含4个信号,经过小波变换和HHT,从每个信号中获得7个特征,即一共28个特征来表示一种泵泄漏状态。

【参考文献】：
期刊论文
[1]基于广义S变换和深度置信网络的单向阀故障诊断[J]. 罗继辉,黄国勇.  电子测量与仪器学报. 2019(09)
[2]基于深度置信网络的行星齿轮箱振动特征提取[J]. 李忠刚,何林锋.  电子测量与仪器学报. 2019(09)
[3]基于AlexNet深度学习网络的串联故障电弧检测方法[J]. 余琼芳,黄高路,杨艺,孙岩洲.  电子测量与仪器学报. 2019(03)
[4]考虑最小成本的风机轴承维护周期优化[J]. 张国珺,史元浩.  电子测量与仪器学报. 2019(02)
[5]基于振动烈度的液压泵故障多信息特征提取方法研究[J]. 刘思远,李晓明,刘建勋,张建姣,赵静一.  振动与冲击. 2018(14)
[6]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[7]基于深度学习的轴承健康因子无监督构建方法[J]. 赵光权,刘小勇,姜泽东,胡聪.  仪器仪表学报. 2018(06)
[8]基于信息融合的高压大流量柱塞泵故障诊断试验研究[J]. 唐宏宾,王胜学,谭建,邓习树.  电子测量与仪器学报. 2018(02)
[9]基于压缩采集与深度学习的轴承故障诊断方法[J]. 温江涛,闫常弘,孙洁娣,乔艳雷.  仪器仪表学报. 2018(01)
[10]基于多特征信息融合的截齿磨损程度识别研究[J]. 张强,刘志恒,王海舰,顾颉颖,田莹,仲丛华.  电子测量与仪器学报. 2017(12)



本文编号：3563903