針對傳統(tǒng)滾動軸承故障診斷方法過度依賴專家經(jīng)驗和故障特征提取困難的問題,結合深度學習處理高維、非線性數(shù)據(jù)的優(yōu)勢,提出一種基于改進深層小波自編碼器的軸承智能故障診斷方法。該方法改進小波自編碼器的損失函數(shù)并引入收縮項限制,再將多個小波自編碼器進行堆疊構成深層小波自編碼器,并引入"跨層"連接緩解梯度消失現(xiàn)象,最后利用大量無標簽數(shù)據(jù)對網(wǎng)絡進行無監(jiān)督預訓練并利用少量帶標簽數(shù)據(jù)對模型參數(shù)有監(jiān)督微調(diào)。軸承診斷實驗結果表明,該方法能有效地對軸承進行多種故障類型和多種故障程度的識別,特征提取能力和識別能力優(yōu)于人工神經(jīng)網(wǎng)絡、深度信念網(wǎng)絡、深度自編碼器等方法。 

【文章來源】：計算機工程與應用. 2020,56(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 改進深層小波自編碼器
    2.1 小波自編碼器
    2.2“跨層”機制
3實驗驗證
    3.1實驗數(shù)據(jù)初步分析
    3.2 診斷結果與分析
4 結論


【參考文獻】：
期刊論文
[1]基于VMD多特征量風電機組軸承故障診斷法[J]. 張瑤,張宏立.  計算機仿真. 2018(09)
[2]基于改進SAE-SOFTMAX的模擬電路故障診斷方法[J]. 袁莉芬,寧暑光,何怡剛,張朝龍,呂密.  電子測量與儀器學報. 2018(07)
[3]基于深度收縮自編碼網(wǎng)絡的飛行員疲勞狀態(tài)識別[J]. 韓霜,吳奇,孫禮兵,裘旭益,任和,盧釗.  生物醫(yī)學工程學雜志. 2018(03)
[4]深度殘差網(wǎng)絡的多光譜遙感圖像顯著目標檢測[J]. 戴玉超,張靜,Fatih PORIKLI,何明一.  測繪學報. 2018(06)
[5]基于壓縮采集與深度學習的軸承故障診斷方法[J]. 溫江濤,閆常弘,孫潔娣,喬艷雷.  儀器儀表學報. 2018(01)
[6]基于改進堆疊降噪自編碼的滾動軸承故障分類[J]. 侯文擎,葉鳴,李巍華.  機械工程學報. 2018(07)
[7]基于雙樹復小波和深度信念網(wǎng)絡的軸承故障診斷[J]. 張淑清,胡永濤,姜安琦,李軍鋒,宿新爽,姜萬錄.  中國機械工程. 2017(05)
[8]隨機森林在滾動軸承故障診斷中的應用[J]. 張鈺,陳珺,王曉峰,劉飛,周文晶,王志國.  計算機工程與應用. 2018(06)
[9]BP-LCD方法及其在滾動軸承故障診斷中的應用[J]. 李曜洲,伍濟鋼,李學軍.  計算機工程與應用. 2017(08)
[10]基于有理雙樹復小波和SVM的滾動軸承故診斷方法[J]. 孫珊珊,何光輝,崔建.  計算機科學. 2015(S2)

碩士論文
[1]基于Fisher判別法的模擬電路故障診斷[D]. 于輝.湖南大學 2014



本文編號：3635302