基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断
发布时间：2021-11-22 04:32
针对复杂工况下齿轮箱多故障信号诊断准确率低的问题,提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征;从宏观角度提取故障信号时域特征,将3种特征进行融合,并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明:在2种不同工况下,对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度,且所构建的分类模型综合性能上均高于文中其他对比模型,因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。
【文章来源】：机床与液压. 2020,48(11)北大核心
【文章页数】：7 页
【部分图文】：
自编码器的结构
表2 SSAE的参数设置 名称 参数 参数值 第一层稀疏自编码器 隐含层节点数 80 权值正则化系数 0.001 稀疏正则化系数 4 稀疏比例 0.05 解码器传递函数 Purelin 第二层稀疏自编码器 隐含层节点数 30 权值正则化系数 0.001 稀疏正则化系数 4 稀疏比例 0.05 解码器传递函数 Purelin Softmax层 最大迭代次数 1 000 惩罚函数 crossentropy 训练算法 Trainscg从图2中可以看出,当稀疏自编码器的层数为两层时,平均分类准确率均高于其余层数时的分类准确率,因此文中选择两层稀疏自编器构建深度学习神经网络模型。将3种数据集A、E、F输入构建的堆栈稀疏自编码器(SSAE)中,其分类结果如表3所示。
从可视化结果可以看出,对于数据集D而言,经过特征提取之后,其训练集中各种齿轮箱状态数据之间表现出明显的可分性,由此可说明本文作者所提出的特征提取方法是有效的。从图3(b)中可以看出,当把训练集输入到第一个稀疏自编码器中进行训练,得到的隐含层特征和输入的训练集数据相比,各种类型开始表现出聚集现象。当经过第二个稀疏自编码的特征提取之后,其隐含层特征可视化如图3(c)所示,和图3(b)相比,同种类型的齿轮箱状态数据表现出明显的聚集现象。因此可以说明稀疏自编码器能对输入的数据进行特征优化。利用构建好的模型对数据集A、B、C、D进行分类识别,其结果如图4所示。
【参考文献】：
期刊论文
[1]基于CEEMD-MPE和ELM的齿轮箱故障诊断研究[J]. 王斌,崔宝珍. 组合机床与自动化加工技术. 2019(04)
[2]基于双树复小波分解的风机齿轮箱故障诊断[J]. 刘清清,杨江天,尹子栋. 北京交通大学学报. 2018(04)
[3]BP神经网络在齿轮箱故障诊断中的应用[J]. 许敬成,陈长征. 噪声与振动控制. 2018(S2)
[4]基于深度学习的航空发动机部件故障诊断[J]. 彭军,郭晨阳,张勇,张赟,杨欣毅. 系统仿真技术. 2018(01)
[5]基于DHMM和BP神经网络的齿轮箱故障诊断研究[J]. 朱文辉,黄晋英,卫洁洁,陈海霞,封顺笑. 组合机床与自动化加工技术. 2018(02)
[6]基于EEMD样本熵与LS-SVM的行星齿轮箱故障诊断[J]. 任国春,赵永东. 山东工业技术. 2018(03)
[7]基于SVM和遗传算法的装甲车齿轮箱故障模式识别[J]. 周昕晨,林董,汪栋洋. 新技术新工艺. 2018(01)
[8]基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究[J]. 刘佳音,于晓光,王琦,李宏坤. 机床与液压. 2018(01)
[9]基于堆栈稀疏自编码的高光谱遥感影像分类[J]. 谭钢,郝方平,薛朝辉. 矿山测量. 2017(06)
[10]基于深度学习的航空发动机故障融合诊断[J]. 车畅畅,王华伟,倪晓梅,洪骥宇. 北京航空航天大学学报. 2018(03)
硕士论文
[1]基于时频—解调分析的行星齿轮箱故障诊断方法研究[D]. 刘剑锋.电子科技大学 2015
[2]基于时频综合特征提取与BP神经网络的齿轮箱故障诊断研究[D]. 刘迎各.中北大学 2015
本文编号：3510945
【文章来源】：机床与液压. 2020,48(11)北大核心
【文章页数】：7 页
【部分图文】：
自编码器的结构
表2 SSAE的参数设置 名称 参数 参数值 第一层稀疏自编码器 隐含层节点数 80 权值正则化系数 0.001 稀疏正则化系数 4 稀疏比例 0.05 解码器传递函数 Purelin 第二层稀疏自编码器 隐含层节点数 30 权值正则化系数 0.001 稀疏正则化系数 4 稀疏比例 0.05 解码器传递函数 Purelin Softmax层 最大迭代次数 1 000 惩罚函数 crossentropy 训练算法 Trainscg从图2中可以看出,当稀疏自编码器的层数为两层时,平均分类准确率均高于其余层数时的分类准确率,因此文中选择两层稀疏自编器构建深度学习神经网络模型。将3种数据集A、E、F输入构建的堆栈稀疏自编码器(SSAE)中,其分类结果如表3所示。
从可视化结果可以看出,对于数据集D而言,经过特征提取之后,其训练集中各种齿轮箱状态数据之间表现出明显的可分性,由此可说明本文作者所提出的特征提取方法是有效的。从图3(b)中可以看出,当把训练集输入到第一个稀疏自编码器中进行训练,得到的隐含层特征和输入的训练集数据相比,各种类型开始表现出聚集现象。当经过第二个稀疏自编码的特征提取之后,其隐含层特征可视化如图3(c)所示,和图3(b)相比,同种类型的齿轮箱状态数据表现出明显的聚集现象。因此可以说明稀疏自编码器能对输入的数据进行特征优化。利用构建好的模型对数据集A、B、C、D进行分类识别,其结果如图4所示。
【参考文献】：
期刊论文
[1]基于CEEMD-MPE和ELM的齿轮箱故障诊断研究[J]. 王斌,崔宝珍. 组合机床与自动化加工技术. 2019(04)
[2]基于双树复小波分解的风机齿轮箱故障诊断[J]. 刘清清,杨江天,尹子栋. 北京交通大学学报. 2018(04)
[3]BP神经网络在齿轮箱故障诊断中的应用[J]. 许敬成,陈长征. 噪声与振动控制. 2018(S2)
[4]基于深度学习的航空发动机部件故障诊断[J]. 彭军,郭晨阳,张勇,张赟,杨欣毅. 系统仿真技术. 2018(01)
[5]基于DHMM和BP神经网络的齿轮箱故障诊断研究[J]. 朱文辉,黄晋英,卫洁洁,陈海霞,封顺笑. 组合机床与自动化加工技术. 2018(02)
[6]基于EEMD样本熵与LS-SVM的行星齿轮箱故障诊断[J]. 任国春,赵永东. 山东工业技术. 2018(03)
[7]基于SVM和遗传算法的装甲车齿轮箱故障模式识别[J]. 周昕晨,林董,汪栋洋. 新技术新工艺. 2018(01)
[8]基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究[J]. 刘佳音,于晓光,王琦,李宏坤. 机床与液压. 2018(01)
[9]基于堆栈稀疏自编码的高光谱遥感影像分类[J]. 谭钢,郝方平,薛朝辉. 矿山测量. 2017(06)
[10]基于深度学习的航空发动机故障融合诊断[J]. 车畅畅,王华伟,倪晓梅,洪骥宇. 北京航空航天大学学报. 2018(03)
硕士论文
[1]基于时频—解调分析的行星齿轮箱故障诊断方法研究[D]. 刘剑锋.电子科技大学 2015
[2]基于时频综合特征提取与BP神经网络的齿轮箱故障诊断研究[D]. 刘迎各.中北大学 2015
本文编号：3510945
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/3510945.html
