基于堆栈稀疏自编码器的滚动轴承故障诊断

发布时间：2021-08-28 15:17

　　针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络（DNN）用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。 

【文章来源】：机床与液压. 2020,48(14)北大核心

【文章页数】：5 页

【部分图文】：

自编码器的网络结构

本文作者设计两层稀疏自编码器和Softmax分类层来构建深度神经网络(Deep Neural Network,DNN)。由SAE1和SAE2堆栈构建深度SSAE网络,深度SSAE网络将SAE1 隐藏层输出的特征作为SAE2的输入数据,使用梯度下降法逐层训练SSAE 网络,并通过多次迭代更新各层网络的权值矩阵和偏置矩阵,最终提取输入原始数据的特征。Softmax层被添加到SSAE网络的顶部,用来诊断滚动轴承故障。深度神经网络的结构如图2所示。2 方法流程

首先将振动信号进行样本划分,计算每个样本的统计特征和时频域特征,然后将获得的特征用于构建高维特征集并划分训练集和测试集。DNN模型的训练分为两部分:(1)无监督学习。通过训练集训练堆栈稀疏自编码器网络并获得高级特征,并用高级特征来初始化深度神经网络的参数。(2)有监督学习。用训练集标签进行有监督调整网络参数,最后将训练好的深度神经网络模型用于轴承故障诊断。方法流程如图3所示。3 实例验证

【参考文献】：
期刊论文
[1]基于粗糙遗传BP神经网络的滚动轴承故障诊断[J]. 唐立力.  机械工程与自动化. 2018(03)
[2]改进的经验小波变换在滚动轴承故障诊断中的应用[J]. 朱艳萍,包文杰,涂晓彤,胡越,李富才.  噪声与振动控制. 2018(01)
[3]基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用[J]. 郑近德,潘海洋,戚晓利,张兴权,刘庆运.  电子学报. 2018(02)
[4]基于深度神经网络的滚动轴承故障诊断[J]. 卫洁洁,杨喜旺,黄晋英,尹学慧,卫晓洁.  组合机床与自动化加工技术. 2017(11)
[5]稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用[J]. 汤芳,刘义伦,龙慧.  机械科学与技术. 2018(03)
[6]基于稀疏自编码器的手写体数字识别[J]. 余涛.  数字技术与应用. 2017(01)
[7]改进极限学习机在滚动轴承振动故障诊断中的应用[J]. 黄勤芳,程艳,陈伟珍.  机械设计与制造. 2016(01)
[8]基于信息熵的循环谱分析方法及其在滚动轴承故障诊断中的应用[J]. 黎敏,阳建宏,王晓景.  振动工程学报. 2015(01)
[9]基于多指标模糊融合的滚动轴承诊断的最优频带解调方法[J]. 李川,朱荣荣,杨帅.  机械工程学报. 2015(07)
[10]基于稀疏自编码深度神经网络的林火图像分类[J]. 王勇,赵俭辉,章登义,叶威.  计算机工程与应用. 2014(24)



本文编号：3368756