基于深度度量学习的轴承故障诊断方法

发布时间：2021-01-21 11:38

　　针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络（Deep Neural Network, DNN）对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析（Marginal Fisher Analysis, MFA）方法进行了优选,在构建的深度度量网络（Deep Metric Network, DMN）顶层特征输出层添加BPNN（Back Propagation Neural Network, BPNN）分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络（Deep Belief Network, DBN）故障诊断方法以及常用时域统计特征结合支持向量机（Support Vector Machine, SVM）分类的故障诊断方法。 

【文章来源】：振动与冲击. 2020,39(15)北大核心

【文章页数】：7 页

【部分图文】：

深度神经网络结构,其中X为输入,h(1)-h(N-1)为隐含层输出,h(N)为顶层输出,W(n)和b(n)是网络参数,1≤n≤N

本文方法的流程图

本文设置了一个具有3层(N=2)网络的DMN-Euc模型,每层的节点数分别为512-100-100,在顶层特征输出层添加BPNN分类器,其分类结果输出层节点数为10。为使深度度量学习模型具有较好的诊断精度,选取合适的模型参数十分重要。大多数的参数选择尚无成熟理论支撑,根据前期的研究经验将α设置为4.0,最大迭代次数T为10,正则化参数γ为0.5,初始学习率τ为0.2,学习率下降因子为0.95。相邻点k1和k2的选取会对模型的诊断能力产生较大的影响,如果相邻点设置的太小,模型难以从高维数据中挖掘出内在故障信息,如果相邻点设置的太大,数据的几何信息和非线性信息容易被忽略,因此参照文献[15],取k1=5,k2=10。为了得到模型对每一类故障分类情况的具体信息,本文采用混淆矩阵对诊断结果进行可视化,并使用精确度P和召回率R两个指标对诊断结果进行定量描述[20]。图4为在滚动轴承故障训练集上获得的诊断结果,对训练样本的诊断结果表明,本文方法可以很好的实现对各类故障的特征提取和分类识别。同时给出了利用训练好的DMN-Euc模型对测试集样本进行逐层故障特征提取的特征分布散点图。t-SNE(t-Distributed Stochastic Neighbor Embedding)是一种适合于可视化高维数据的算法,通过将来自原始特征空间的样本映射到3维空间来可视化高维数据表示,由于模型对每一层提取的故障特征维数较高,首先利用PCA(Principal Component Analysis)对提取到的故障特征进行降维,再利用t-SNE将降维后的故障特征映射至3维空间对其进行可视化[21],如图5～7分别为对原始数据、第一隐藏层输出特征、第二隐藏层输出特征的可视化结果。

【参考文献】：
期刊论文
[1]一种基于深度度量学习的视频分类方法[J]. 智洪欣,于洪涛,李邵梅,高超,王艳川.  电子与信息学报. 2018(11)
[2]大数据技术在过程工业中的应用研究进展[J]. 苏鑫,吴迎亚,裴华健,蓝兴英,高金森.  化工进展. 2016(06)
[3]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼.  振动工程学报. 2016(02)
[4]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京.  机械工程学报. 2015(21)



本文编号：2991089