針對現(xiàn)有的智能診斷方法訓(xùn)練時間長、識別率不高的問題,提出一種基于總體平均經(jīng)驗?zāi)B(tài)分解（EEMD）和堆疊稀疏自編碼（SSAE）的滾動軸承故障診斷方法。首先,采用EEMD對滾動軸承振動信號進行分解,得到若干個固有模態(tài)函數(shù)和一個趨勢項之和;其次,計算每個固有模態(tài)函數(shù)分量的峭度,選取峭度值較大的分量作為敏感故障特征分量;第三,提取敏感故障特征分量的時域及頻域特征,構(gòu)建新的數(shù)據(jù)集,作為診斷網(wǎng)絡(luò)的輸入。最后,將構(gòu)建的新數(shù)據(jù)集作為堆疊稀疏自編碼網(wǎng)絡(luò)的輸入,進行訓(xùn)練和測試。與現(xiàn)有方法的對比結(jié)果表明,所提方法在準確性、計算耗時方面更具優(yōu)勢。 

【文章來源】：噪聲與振動控制. 2020,40(02)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

自編碼器結(jié)構(gòu)圖

式（4）的第一項表示整個數(shù)據(jù)集的重構(gòu)誤差，第二項是正則化權(quán)重懲罰項，旨在通過抑制權(quán)重大小來防止過擬合。λ是權(quán)重衰減參數(shù)，nl是網(wǎng)絡(luò)的層數(shù)，表sl示第l層中的神經(jīng)元數(shù)，Wj(il)是第l+1層中的神經(jīng)元i和第l層中的神經(jīng)元j之間的連接權(quán)重。自編碼網(wǎng)絡(luò)的訓(xùn)練過程如圖2所示。1.2 稀疏自編碼器

SSAE是由多個SAE堆疊而成的深度網(wǎng)絡(luò)，其基本思想是訓(xùn)練SSAE網(wǎng)絡(luò)，使輸出的低維信號在包含故障本質(zhì)特征的同時去除高維信號中的干擾部分，最終將訓(xùn)練得到的特征用于分類器識別。SSAE的目標是通過使用反向傳播(BP)算法最小化代價函數(shù)Jsparse(W,b)，學(xué)習更具代表性和稀疏性的特征，從而保留和提取盡可能多的輸入信息，而不是簡單地復(fù)制輸入。最優(yōu)參數(shù)集W(1)、b(1)可以利用最小化過程學(xué)習得到。SSAE的訓(xùn)練過程如圖3所示。1.4 滾動軸承故障診斷方法

【參考文獻】：
期刊論文
[1]深度學(xué)習中的自編碼器的表達能力研究[J]. 王雅思,姚鴻勛,孫曉帥,許鵬飛,趙思成.  計算機科學(xué). 2015(09)
[2]基于深度學(xué)習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學(xué)報. 2015(21)
[3]改進的EEMD算法及其應(yīng)用研究[J]. 鄭近德,程軍圣,楊宇.  振動與沖擊. 2013(21)
[4]基于支持向量機和多源信息的直驅(qū)風力發(fā)電機組故障診斷[J]. 安學(xué)利,趙明浩,蔣東翔,李少華.  電網(wǎng)技術(shù). 2011(04)
[5]基于時域參數(shù)趨勢分析的滾動軸承故障診斷[J]. 萬書亭,吳美玲.  機械工程與自動化. 2010(03)



本文編號：3334165