RVM优化强重构MDAE的亚健康识别算法研究
发布时间：2020-09-02 17:37
现代工业水平的发展随着科技水平的提高得到长足发展,生产设备也由智能化代替最初依靠人工。在这个过程中,对于设备本身的要求也在不断提高,任意零部件的损坏都会对生产流程产生重要的影响,轻则会造成经济上的损失,某些重工业领域可能对生命安全造成威胁。对设备当前状态的亚健康识别,能在很大程度上避免因停机维修造成的各种损失,由于设备的故障并不是瞬间造成的,而是一个不断积累的过程,所以设备状态的亚健康识别研究受到专家学者的广泛关注。在阅读分析大量深度学习和轴承亚健康识别方法后,针对传统的轴承亚健康识别提取特征困难和诊断效果不理想的问题,本文提出一种RVM优化强重构MDAE的亚健康识别算法(IMDAE-IFMRVM)。该算法从改进边缘降噪自动编码器和改进相关向量机两方面展开深入研究。首先,针对边缘降噪自动编码器约束条件有限、数据压缩能力弱、重构误差大的问题,一方面在原本边缘降噪约束条件基础上加入稀疏性的约束条件,解决边缘降噪自动编码器约束条件有限、数据压缩能力弱的问题,另一方面将隐含层的输入改为前一隐含层的输出加上预处理的数据,解决边缘降噪自动编码器重构误差大、特征数据表达能力弱的不足。然后,本文针对特征样本数据中构造信息不同及分布不平坦时,使用单一核函数不能有效处理结构复杂的样本数据的问题,使用两种核函数权重相加的方式代替原来单一核函数单独作用,对于核函数权重系数的确定问题,在Fisher准则和最大熵准则共同作用下求解输入样本映射到特征空间中的方差,利用本文提出方法求得。最后,通过对比实验发现,改进后的算法能正确识别轴承数据的状态,验证了本文所提算法的有效性。
【学位单位】：辽宁大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH133.3;TP18
【部分图文】：
图 5-1 试验台结构图成滚动轴承的原因有很多，但是只要能在其发生故障前发现就为时未晚，常见的故障问题主要有内圈故障、外圈及滚珠”状况的监测意义重大。因此，本文的实验数据选用滚动轴映工作中的真实状态，通过对比预处理前后的数据，可能更障状态下的数据分布情况。据的采集工作是通过加速度传感器完成的，将传感器分别放的十二点钟方向，MATLAB处理数据记录器16通道采集的振动采样频率下收集信号，驱动端信号的采样频率是 48000S/s。由集到的数据已经标准化，受到众多学者的认可（如V.Sugum' n 等），用这样一组实验数据验证本文所提算法，具有很好的鲁有利于验证改进模型的有效性。实验数据的选取情况如表 5-表 5-1 八组轴承实验数据参数
图 5-2 隐含层数随神经元个数的增加误差变化图对本次实验模型拓扑结构的选择，对比一层、两层、三层隐含层数随数增加，样本集误差百分比的变化情况，据图 5-2 可看出，一定范围内层数目不变的情况下随着神经元个数的增加，样本集的误差呈下降趋势层隐含层来说，当神经元数目达到 500 时误差最低，约为 0.07，相比层，三层隐含层在神经元数为 400 时达到最低点，误差约为 0.03，因此证最后实验的准确性，此次试验选择的边缘降噪自动编码器的隐含层数隐含层神经元个数为 400 个。表 5-4 不同约束下特征空间样本方差和权重系数Fisher 准则方法 最大熵方法 本文核函数权重系数21 22 23 24 0.39 0.53 0.42 0.46 0.52
第 5 章 实验结果及分析四次实验均值为 90.55%，相比原型相关向量机，改进后的强重构边码器的亚健康识别算法在识别准确率上提高了 7.65 个百分点；RVM MDAE 的亚健康识别算法是在强重构边缘降噪自动编码器的亚健的基础上改进单一的核函数，并用特征空间的样本方差求解改进后重系数，四次实验的识别准确率分别为 94.2%、95.7%、94.6%、94.3为 94.7%，与原型相关向量机和强重构边缘降噪自动编码器的亚健比，在准确率上分别提高了 11.8 和 4.15 个百分点。均方误差随迭变化趋势如图 5-6：
本文编号：2810903
【学位单位】：辽宁大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH133.3;TP18
【部分图文】：
图 5-1 试验台结构图成滚动轴承的原因有很多，但是只要能在其发生故障前发现就为时未晚，常见的故障问题主要有内圈故障、外圈及滚珠”状况的监测意义重大。因此，本文的实验数据选用滚动轴映工作中的真实状态，通过对比预处理前后的数据，可能更障状态下的数据分布情况。据的采集工作是通过加速度传感器完成的，将传感器分别放的十二点钟方向，MATLAB处理数据记录器16通道采集的振动采样频率下收集信号，驱动端信号的采样频率是 48000S/s。由集到的数据已经标准化，受到众多学者的认可（如V.Sugum' n 等），用这样一组实验数据验证本文所提算法，具有很好的鲁有利于验证改进模型的有效性。实验数据的选取情况如表 5-表 5-1 八组轴承实验数据参数
图 5-2 隐含层数随神经元个数的增加误差变化图对本次实验模型拓扑结构的选择，对比一层、两层、三层隐含层数随数增加，样本集误差百分比的变化情况，据图 5-2 可看出，一定范围内层数目不变的情况下随着神经元个数的增加，样本集的误差呈下降趋势层隐含层来说，当神经元数目达到 500 时误差最低，约为 0.07，相比层，三层隐含层在神经元数为 400 时达到最低点，误差约为 0.03，因此证最后实验的准确性，此次试验选择的边缘降噪自动编码器的隐含层数隐含层神经元个数为 400 个。表 5-4 不同约束下特征空间样本方差和权重系数Fisher 准则方法 最大熵方法 本文核函数权重系数21 22 23 24 0.39 0.53 0.42 0.46 0.52
第 5 章 实验结果及分析四次实验均值为 90.55%，相比原型相关向量机，改进后的强重构边码器的亚健康识别算法在识别准确率上提高了 7.65 个百分点；RVM MDAE 的亚健康识别算法是在强重构边缘降噪自动编码器的亚健的基础上改进单一的核函数，并用特征空间的样本方差求解改进后重系数，四次实验的识别准确率分别为 94.2%、95.7%、94.6%、94.3为 94.7%，与原型相关向量机和强重构边缘降噪自动编码器的亚健比，在准确率上分别提高了 11.8 和 4.15 个百分点。均方误差随迭变化趋势如图 5-6：
【参考文献】
相关硕士学位论文 前1条
1 赵家强;基于粒子群神经网络及D-S理论的亚健康识别算法研究[D];辽宁大学;2013年
本文编号：2810903
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2810903.html
