基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

发布时间：2025-01-20 13:02

　　 旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

【文章页数】：8 页

【部分图文】：

图1 自动编码器网络结构示意

自动编码器本质上是一个典型的3层神经网络,其功能是对输入信号的编码与解码,网络结构如图1所示。如图1所示,X为一个给定的输入样本集合,X={x(1),x(2),......,x(p)},i∈{1,2,......,p},x为输入向量,x=[x1,x2,......,xn]....

图2 降噪自动编码器工作流程示意

同AE的原理基本一样,DAE只是在原始数据中随机加入了噪声干扰,在网络的构成方面DAE与AE基本相同。以L{x,g[f(x～)]}作为DAE的重构误差函数,其工作流程如图2所示。由此可知,其编码与解码过程

图3 2类自动编码器堆叠形成的深度模型

堆叠降噪自动编码器(Stackeddenoisingautoencoder,SDAE)通过堆叠多个DAE可以得到深度模型[9],SDAE的构造方法是去掉前一个自动编码器的输出层,将隐藏层特征表达作为下一个自动编码器的输入,这样每一个隐层都能实现对原始输入的不同表达,每个隐层....

图4 传统神经网络和引入Dropout机制的网络

Dropout[11]的原理为:在深度学习网络的训练过程中,按照设定的概率将隐层神经元暂时舍弃,这种舍弃属于随机舍弃,在下一次的训练中会按设定概率重新组合不同的神经元,进行多次的Dropout处理之后,会使得原来的网络变为多个更瘦的不同神经网络的组合,如图4所示。通过不同的神经网....

本文编号：4029294