基于EEMD和堆叠稀疏自编码的滚动轴承故障诊断方法

发布时间：2021-08-10 13:41

　　针对现有的智能诊断方法训练时间长、识别率不高的问题,提出一种基于总体平均经验模态分解（EEMD）和堆叠稀疏自编码（SSAE）的滚动轴承故障诊断方法。首先,采用EEMD对滚动轴承振动信号进行分解,得到若干个固有模态函数和一个趋势项之和;其次,计算每个固有模态函数分量的峭度,选取峭度值较大的分量作为敏感故障特征分量;第三,提取敏感故障特征分量的时域及频域特征,构建新的数据集,作为诊断网络的输入。最后,将构建的新数据集作为堆叠稀疏自编码网络的输入,进行训练和测试。与现有方法的对比结果表明,所提方法在准确性、计算耗时方面更具优势。 

【文章来源】：噪声与振动控制. 2020,40(02)CSCD

【文章页数】：6 页

【部分图文】：

自编码器结构图

式（4）的第一项表示整个数据集的重构误差，第二项是正则化权重惩罚项，旨在通过抑制权重大小来防止过拟合。λ是权重衰减参数，nl是网络的层数，表sl示第l层中的神经元数，Wj(il)是第l+1层中的神经元i和第l层中的神经元j之间的连接权重。自编码网络的训练过程如图2所示。1.2 稀疏自编码器

SSAE是由多个SAE堆叠而成的深度网络，其基本思想是训练SSAE网络，使输出的低维信号在包含故障本质特征的同时去除高维信号中的干扰部分，最终将训练得到的特征用于分类器识别。SSAE的目标是通过使用反向传播(BP)算法最小化代价函数Jsparse(W,b)，学习更具代表性和稀疏性的特征，从而保留和提取尽可能多的输入信息，而不是简单地复制输入。最优参数集W(1)、b(1)可以利用最小化过程学习得到。SSAE的训练过程如图3所示。1.4 滚动轴承故障诊断方法

【参考文献】：
期刊论文
[1]深度学习中的自编码器的表达能力研究[J]. 王雅思,姚鸿勋,孙晓帅,许鹏飞,赵思成.  计算机科学. 2015(09)
[2]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)
[3]改进的EEMD算法及其应用研究[J]. 郑近德,程军圣,杨宇.  振动与冲击. 2013(21)
[4]基于支持向量机和多源信息的直驱风力发电机组故障诊断[J]. 安学利,赵明浩,蒋东翔,李少华.  电网技术. 2011(04)
[5]基于时域参数趋势分析的滚动轴承故障诊断[J]. 万书亭,吴美玲.  机械工程与自动化. 2010(03)



本文编号：3334165