針對機(jī)械大數(shù)據(jù)因故障類內(nèi)離散度和類間相似度較大而導(dǎo)致診斷精度低的問題,提出一種深度度量學(xué)習(xí)故障診斷方法,采用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN）對故障特征進(jìn)行自適應(yīng)提取,并利用基于歐氏距離的邊際Fisher分析（Marginal Fisher Analysis, MFA）方法進(jìn)行了優(yōu)選,在構(gòu)建的深度度量網(wǎng)絡(luò)（Deep Metric Network, DMN）頂層特征輸出層添加BPNN（Back Propagation Neural Network, BPNN）分類器對網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào),并實(shí)現(xiàn)故障的分類識別。通過對不同類型和嚴(yán)重程度的軸承故障進(jìn)行了診斷分析,驗(yàn)證了該方法可以有效地對軸承故障進(jìn)行高精度診斷,效果優(yōu)于傳統(tǒng)深度信念網(wǎng)絡(luò)（Deep Belief Network, DBN）故障診斷方法以及常用時(shí)域統(tǒng)計(jì)特征結(jié)合支持向量機(jī)（Support Vector Machine, SVM）分類的故障診斷方法。 

【文章來源】：振動(dòng)與沖擊. 2020,39(15)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中X為輸入,h(1)-h(N-1)為隱含層輸出,h(N)為頂層輸出,W(n)和b(n)是網(wǎng)絡(luò)參數(shù),1≤n≤N

本文方法的流程圖

本文設(shè)置了一個(gè)具有3層(N=2)網(wǎng)絡(luò)的DMN-Euc模型,每層的節(jié)點(diǎn)數(shù)分別為512-100-100,在頂層特征輸出層添加BPNN分類器,其分類結(jié)果輸出層節(jié)點(diǎn)數(shù)為10。為使深度度量學(xué)習(xí)模型具有較好的診斷精度,選取合適的模型參數(shù)十分重要。大多數(shù)的參數(shù)選擇尚無成熟理論支撐,根據(jù)前期的研究經(jīng)驗(yàn)將α設(shè)置為4.0,最大迭代次數(shù)T為10,正則化參數(shù)γ為0.5,初始學(xué)習(xí)率τ為0.2,學(xué)習(xí)率下降因子為0.95。相鄰點(diǎn)k1和k2的選取會對模型的診斷能力產(chǎn)生較大的影響,如果相鄰點(diǎn)設(shè)置的太小,模型難以從高維數(shù)據(jù)中挖掘出內(nèi)在故障信息,如果相鄰點(diǎn)設(shè)置的太大,數(shù)據(jù)的幾何信息和非線性信息容易被忽略,因此參照文獻(xiàn)[15],取k1=5,k2=10。為了得到模型對每一類故障分類情況的具體信息,本文采用混淆矩陣對診斷結(jié)果進(jìn)行可視化,并使用精確度P和召回率R兩個(gè)指標(biāo)對診斷結(jié)果進(jìn)行定量描述[20]。圖4為在滾動(dòng)軸承故障訓(xùn)練集上獲得的診斷結(jié)果,對訓(xùn)練樣本的診斷結(jié)果表明,本文方法可以很好的實(shí)現(xiàn)對各類故障的特征提取和分類識別。同時(shí)給出了利用訓(xùn)練好的DMN-Euc模型對測試集樣本進(jìn)行逐層故障特征提取的特征分布散點(diǎn)圖。t-SNE(t-Distributed Stochastic Neighbor Embedding)是一種適合于可視化高維數(shù)據(jù)的算法,通過將來自原始特征空間的樣本映射到3維空間來可視化高維數(shù)據(jù)表示,由于模型對每一層提取的故障特征維數(shù)較高,首先利用PCA(Principal Component Analysis)對提取到的故障特征進(jìn)行降維,再利用t-SNE將降維后的故障特征映射至3維空間對其進(jìn)行可視化[21],如圖5～7分別為對原始數(shù)據(jù)、第一隱藏層輸出特征、第二隱藏層輸出特征的可視化結(jié)果。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于深度度量學(xué)習(xí)的視頻分類方法[J]. 智洪欣,于洪濤,李邵梅,高超,王艷川.  電子與信息學(xué)報(bào). 2018(11)
[2]大數(shù)據(jù)技術(shù)在過程工業(yè)中的應(yīng)用研究進(jìn)展[J]. 蘇鑫,吳迎亞,裴華健,藍(lán)興英,高金森.  化工進(jìn)展. 2016(06)
[3]基于深度信念網(wǎng)絡(luò)的軸承故障分類識別[J]. 李巍華,單外平,曾雪瓊.  振動(dòng)工程學(xué)報(bào). 2016(02)
[4]基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機(jī)械工程學(xué)報(bào). 2015(21)



本文編號：2991089