改进深层小波自编码器的轴承故障诊断方法

发布时间：2022-02-20 15:07

　　针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深度学习处理高维、非线性数据的优势,提出一种基于改进深层小波自编码器的轴承智能故障诊断方法。该方法改进小波自编码器的损失函数并引入收缩项限制,再将多个小波自编码器进行堆叠构成深层小波自编码器,并引入"跨层"连接缓解梯度消失现象,最后利用大量无标签数据对网络进行无监督预训练并利用少量带标签数据对模型参数有监督微调。轴承诊断实验结果表明,该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器等方法。 

【文章来源】：计算机工程与应用. 2020,56(05)北大核心CSCD

【文章页数】：7 页

【文章目录】：
1 引言
2 改进深层小波自编码器
    2.1 小波自编码器
    2.2“跨层”机制
3实验验证
    3.1实验数据初步分析
    3.2 诊断结果与分析
4 结论


【参考文献】：
期刊论文
[1]基于VMD多特征量风电机组轴承故障诊断法[J]. 张瑶,张宏立.  计算机仿真. 2018(09)
[2]基于改进SAE-SOFTMAX的模拟电路故障诊断方法[J]. 袁莉芬,宁暑光,何怡刚,张朝龙,吕密.  电子测量与仪器学报. 2018(07)
[3]基于深度收缩自编码网络的飞行员疲劳状态识别[J]. 韩霜,吴奇,孙礼兵,裘旭益,任和,卢钊.  生物医学工程学杂志. 2018(03)
[4]深度残差网络的多光谱遥感图像显著目标检测[J]. 戴玉超,张静,Fatih PORIKLI,何明一.  测绘学报. 2018(06)
[5]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)
[6]基于改进堆叠降噪自编码的滚动轴承故障分类[J]. 侯文擎,叶鸣,李巍华.  机械工程学报. 2018(07)
[7]基于双树复小波和深度信念网络的轴承故障诊断[J]. 张淑清,胡永涛,姜安琦,李军锋,宿新爽,姜万录.  中国机械工程. 2017(05)
[8]随机森林在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞,周文晶,王志国.  计算机工程与应用. 2018(06)
[9]BP-LCD方法及其在滚动轴承故障诊断中的应用[J]. 李曜洲,伍济钢,李学军.  计算机工程与应用. 2017(08)
[10]基于有理双树复小波和SVM的滚动轴承故诊断方法[J]. 孙珊珊,何光辉,崔建.  计算机科学. 2015(S2)

硕士论文
[1]基于Fisher判别法的模拟电路故障诊断[D]. 于辉.湖南大学 2014



本文编号：3635302