針對提取有效滾動(dòng)軸承特征和消除特征之間的冗余,提出一種基于堆棧稀疏自編碼器和Softmax層構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)（DNN）用于軸承故障診斷。首先從振動(dòng)信號提取12個(gè)統(tǒng)計(jì)特征和6個(gè)時(shí)頻域特征,然后將獲得的特征用于構(gòu)建18維特征向量;高維特征向量通過堆棧稀疏自編碼器逐層貪婪學(xué)習(xí)獲得無冗余的高級特征;最后將高級特征輸入Softmax分類層進(jìn)行軸承故障診斷。實(shí)驗(yàn)結(jié)果表明:相比于傳統(tǒng)BP和SVM分類器,DNN能更準(zhǔn)確地識別滾動(dòng)軸承故障類型。 

【文章來源】：機(jī)床與液壓. 2020,48(14)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)

本文作者設(shè)計(jì)兩層稀疏自編碼器和Softmax分類層來構(gòu)建深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)。由SAE1和SAE2堆棧構(gòu)建深度SSAE網(wǎng)絡(luò),深度SSAE網(wǎng)絡(luò)將SAE1 隱藏層輸出的特征作為SAE2的輸入數(shù)據(jù),使用梯度下降法逐層訓(xùn)練SSAE 網(wǎng)絡(luò),并通過多次迭代更新各層網(wǎng)絡(luò)的權(quán)值矩陣和偏置矩陣,最終提取輸入原始數(shù)據(jù)的特征。Softmax層被添加到SSAE網(wǎng)絡(luò)的頂部,用來診斷滾動(dòng)軸承故障。深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。2 方法流程

首先將振動(dòng)信號進(jìn)行樣本劃分,計(jì)算每個(gè)樣本的統(tǒng)計(jì)特征和時(shí)頻域特征,然后將獲得的特征用于構(gòu)建高維特征集并劃分訓(xùn)練集和測試集。DNN模型的訓(xùn)練分為兩部分:(1)無監(jiān)督學(xué)習(xí)。通過訓(xùn)練集訓(xùn)練堆棧稀疏自編碼器網(wǎng)絡(luò)并獲得高級特征,并用高級特征來初始化深度神經(jīng)網(wǎng)絡(luò)的參數(shù)。(2)有監(jiān)督學(xué)習(xí)。用訓(xùn)練集標(biāo)簽進(jìn)行有監(jiān)督調(diào)整網(wǎng)絡(luò)參數(shù),最后將訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型用于軸承故障診斷。方法流程如圖3所示。3 實(shí)例驗(yàn)證

【參考文獻(xiàn)】：
期刊論文
[1]基于粗糙遺傳BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J]. 唐立力.  機(jī)械工程與自動(dòng)化. 2018(03)
[2]改進(jìn)的經(jīng)驗(yàn)小波變換在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 朱艷萍,包文杰,涂曉彤,胡越,李富才.  噪聲與振動(dòng)控制. 2018(01)
[3]基于改進(jìn)經(jīng)驗(yàn)小波變換的時(shí)頻分析方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 鄭近德,潘海洋,戚曉利,張興權(quán),劉慶運(yùn).  電子學(xué)報(bào). 2018(02)
[4]基于深度神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J]. 衛(wèi)潔潔,楊喜旺,黃晉英,尹學(xué)慧,衛(wèi)曉潔.  組合機(jī)床與自動(dòng)化加工技術(shù). 2017(11)
[5]稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 湯芳,劉義倫,龍慧.  機(jī)械科學(xué)與技術(shù). 2018(03)
[6]基于稀疏自編碼器的手寫體數(shù)字識別[J]. 余濤.  數(shù)字技術(shù)與應(yīng)用. 2017(01)
[7]改進(jìn)極限學(xué)習(xí)機(jī)在滾動(dòng)軸承振動(dòng)故障診斷中的應(yīng)用[J]. 黃勤芳,程艷,陳偉珍.  機(jī)械設(shè)計(jì)與制造. 2016(01)
[8]基于信息熵的循環(huán)譜分析方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 黎敏,陽建宏,王曉景.  振動(dòng)工程學(xué)報(bào). 2015(01)
[9]基于多指標(biāo)模糊融合的滾動(dòng)軸承診斷的最優(yōu)頻帶解調(diào)方法[J]. 李川,朱榮榮,楊帥.  機(jī)械工程學(xué)報(bào). 2015(07)
[10]基于稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的林火圖像分類[J]. 王勇,趙儉輝,章登義,葉威.  計(jì)算機(jī)工程與應(yīng)用. 2014(24)



本文編號：3368756