基于稀疏自动编码器的滚动轴承多状态评估方法研究

发布时间：2020-04-09 01:55

【摘要】：滚动轴承作为旋转机械设备中不可或缺的关键部件,在整个设备的安全性能方面有着举足轻重的地位。如果不能及时准确地对滚动轴承进行定量评估,轻则设备停运,重则机毁人亡。因此实现滚动轴承的多状态评估有着十分重要的意义。为充分挖掘滚动轴承振动信号所包含的轴承运行状态的信息,论文对滚动轴承的振动信号分别进行浅层特征和深层特征提取。浅层特征主要包括时域、频域和时-频特征,深层特征基于深度学习理论下的稀疏自动编码器进行自适应提取。深层特征相比于浅层特征,可省去繁琐的人工提取步骤并提高效率。为进一步对比浅层特征与深层特征的优缺点,深入研究t分布随机邻域嵌入(t-SNE)算法在数据可视化方面的应用。论文基于t-SNE算法将两类特征进行可视化,从直观的角度将两类特征进行对比,结果表明深层特征更有利于滚动轴承多状态评估。此外,通过与其他降维方法作对比来验证t-SNE在可视化方面的优越性。因超球支持向量机在处理数据异构、样本分布不均等问题上具有独特优势,论文将超球支持向量机作为分类模型,结合改进后的决策策略,完成轴承多状态的识别。同时利用遗传算法完成模型中的参数寻优。通过实验验证该方法的有效性。最后,为准确掌握轴承的多种运行状态,将深层特征作为超球支持向量机的输入,用于滚动轴承的多状态评估。然后提出将各个状态相对于正常状态的衰退系数与相对补偿距离相结合,构造多状态统一评估指标,实现对滚动轴承多状态的有效评估。
【图文】：

结构图,结构图,编码矢量,编码网络

是神经网络的一种，特点是让输出尽可能的还原器和解码器两部分组成，本质上都是对输入信号将高维空间中的数据转换成低维空间中的编码矢编码器中给的编码网络实现的。解码网络相当于将低维中的编码矢量重构，进而得到原始的输入码器的编码和解码之间实现的[21]。在基本的自动后，在激活函数的作用下得到一个编码结果 y。激，智者见智的过程，但在自动编码器中，通常选传统的自动编码器分为 3 层，分别为输入层、隐含编码器的原理如公式(2-31)所示：y = f( x)=s(Wx+b)θtest +=11( )参数，θ={W ,b}，W 为 d’×d 的权重矩阵，b 为输函数，如式(2-32)所示。图 2-1 给出自动编码器的1~x

滚动轴承,自动编码,数据,特征状态

-16-基于稀疏自动编码器提g deep feature flow cha滚动轴承深层特征状态数据。选定不点的长度。数据进行 Fourier 变行网络训练。码器中每一层神经
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】