針對(duì)液壓信號(hào)的高度復(fù)雜性以及難以識(shí)別的特點(diǎn),構(gòu)建了一種基于堆棧稀疏自編碼器和Softmax的深度神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)液壓泵泄漏狀態(tài)進(jìn)行識(shí)別。利用小波變換和希爾伯特-黃變換提取液壓信號(hào)的低維特征,并輸入深度神經(jīng)網(wǎng)絡(luò)。通過(guò)堆棧稀疏自編碼器的逐層學(xué)習(xí)對(duì)特征進(jìn)行優(yōu)化并提取出高維特征,然后使用Softmax進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,堆棧稀疏自編碼器能夠有效地提取液壓泵泄漏狀態(tài)的高維特征,構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)可有效地識(shí)別液壓泵泄漏狀態(tài),識(shí)別精度達(dá)到了97.6%。此外與支持向量機(jī)、極限學(xué)習(xí)機(jī)、卷積神經(jīng)網(wǎng)絡(luò)以及長(zhǎng)短期記憶網(wǎng)絡(luò)相比,深度神經(jīng)網(wǎng)絡(luò)具有更好的識(shí)別效果。 

【文章來(lái)源】：儀器儀表學(xué)報(bào). 2020,41(04)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

自編碼器結(jié)構(gòu)

本文基于SSAE和Softmax構(gòu)建了一個(gè)深度神經(jīng)網(wǎng)絡(luò)(DNN)。堆棧稀疏自編碼器包含多個(gè)稀疏自編碼器(sparse autoencoder, SAE),通過(guò)無(wú)監(jiān)督的方式學(xué)習(xí)高維特征,將前一個(gè)稀疏自編碼器提取的特征作為下一個(gè)稀疏自編碼器的輸入,以此方式層層堆疊,組成堆棧稀疏自編碼器。本文的堆棧稀疏自編碼器是由兩個(gè)稀疏自編碼器堆疊而成,其頂部輸出與Softmax分類(lèi)器相連,構(gòu)成深度神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)模型如圖2所示。為了進(jìn)一步改善DNN的識(shí)別性能,可以利用代價(jià)函數(shù)來(lái)微調(diào)整個(gè)DNN。通過(guò)反向傳播算法,調(diào)整Softmax層,第2個(gè)稀疏自動(dòng)編碼器以及第1個(gè)稀疏自動(dòng)編碼器的參數(shù),使DNN的訓(xùn)練誤差變小,從而達(dá)到改善性能的目的。

實(shí)驗(yàn)過(guò)程的具體流程如圖3所示。具體步驟描述如下:1)利用小波變換和HHT提取低維特征。每種泄漏狀態(tài)都包含4個(gè)信號(hào),經(jīng)過(guò)小波變換和HHT,從每個(gè)信號(hào)中獲得7個(gè)特征,即一共28個(gè)特征來(lái)表示一種泵泄漏狀態(tài)。

【參考文獻(xiàn)】：
期刊論文
[1]基于廣義S變換和深度置信網(wǎng)絡(luò)的單向閥故障診斷[J]. 羅繼輝,黃國(guó)勇.  電子測(cè)量與儀器學(xué)報(bào). 2019(09)
[2]基于深度置信網(wǎng)絡(luò)的行星齒輪箱振動(dòng)特征提取[J]. 李忠剛,何林鋒.  電子測(cè)量與儀器學(xué)報(bào). 2019(09)
[3]基于AlexNet深度學(xué)習(xí)網(wǎng)絡(luò)的串聯(lián)故障電弧檢測(cè)方法[J]. 余瓊芳,黃高路,楊藝,孫巖洲.  電子測(cè)量與儀器學(xué)報(bào). 2019(03)
[4]考慮最小成本的風(fēng)機(jī)軸承維護(hù)周期優(yōu)化[J]. 張國(guó)珺,史元浩.  電子測(cè)量與儀器學(xué)報(bào). 2019(02)
[5]基于振動(dòng)烈度的液壓泵故障多信息特征提取方法研究[J]. 劉思遠(yuǎn),李曉明,劉建勛,張建姣,趙靜一.  振動(dòng)與沖擊. 2018(14)
[6]基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承自適應(yīng)故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  儀器儀表學(xué)報(bào). 2018(07)
[7]基于深度學(xué)習(xí)的軸承健康因子無(wú)監(jiān)督構(gòu)建方法[J]. 趙光權(quán),劉小勇,姜澤東,胡聰.  儀器儀表學(xué)報(bào). 2018(06)
[8]基于信息融合的高壓大流量柱塞泵故障診斷試驗(yàn)研究[J]. 唐宏賓,王勝學(xué),譚建,鄧習(xí)樹(shù).  電子測(cè)量與儀器學(xué)報(bào). 2018(02)
[9]基于壓縮采集與深度學(xué)習(xí)的軸承故障診斷方法[J]. 溫江濤,閆常弘,孫潔娣,喬艷雷.  儀器儀表學(xué)報(bào). 2018(01)
[10]基于多特征信息融合的截齒磨損程度識(shí)別研究[J]. 張強(qiáng),劉志恒,王海艦,顧頡穎,田瑩,仲叢華.  電子測(cè)量與儀器學(xué)報(bào). 2017(12)



本文編號(hào)：3563903