旋轉(zhuǎn)機(jī)械轉(zhuǎn)子-轉(zhuǎn)軸系統(tǒng)故障診斷方法中大多采用傳統(tǒng)淺層模型,對(duì)于數(shù)量較大的樣本其處理能力有限。為解決此問題,提出一種利用改進(jìn)的堆疊降噪自動(dòng)編碼器(SDAE)深度模型的故障診斷方法,并對(duì)轉(zhuǎn)子-轉(zhuǎn)軸系統(tǒng)的典型故障進(jìn)行診斷。利用某機(jī)械故障綜合模擬實(shí)驗(yàn)臺(tái),結(jié)合基于LabVIEW開發(fā)的信號(hào)采集系統(tǒng)模擬并采集轉(zhuǎn)子-轉(zhuǎn)軸系統(tǒng)的10類單一故障和7類復(fù)合故障振動(dòng)信號(hào)。在訓(xùn)練SDAE模型時(shí)引入Dropout機(jī)制對(duì)模型進(jìn)行改進(jìn),并結(jié)合Softmax分類器進(jìn)行網(wǎng)絡(luò)訓(xùn)練與診斷。與傳統(tǒng)BP網(wǎng)絡(luò)、自動(dòng)編碼器(AE)、無Dropout機(jī)制的SDAE和卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行對(duì)比,結(jié)果表明:改進(jìn)的SDAE方法對(duì)于轉(zhuǎn)子-轉(zhuǎn)軸系統(tǒng)故障的正確識(shí)別率最高,特別是對(duì)復(fù)合故障的診斷效果比其他模型更理想,充分驗(yàn)證了改進(jìn)的SDAE深度模型的優(yōu)越性。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)示意

自動(dòng)編碼器本質(zhì)上是一個(gè)典型的3層神經(jīng)網(wǎng)絡(luò),其功能是對(duì)輸入信號(hào)的編碼與解碼,網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。如圖1所示,X為一個(gè)給定的輸入樣本集合,X={x(1),x(2),......,x(p)},i∈{1,2,......,p},x為輸入向量,x=[x1,x2,......,xn]....

圖2 降噪自動(dòng)編碼器工作流程示意

同AE的原理基本一樣,DAE只是在原始數(shù)據(jù)中隨機(jī)加入了噪聲干擾,在網(wǎng)絡(luò)的構(gòu)成方面DAE與AE基本相同。以L{x,g[f(x～)]}作為DAE的重構(gòu)誤差函數(shù),其工作流程如圖2所示。由此可知,其編碼與解碼過程

圖3 2類自動(dòng)編碼器堆疊形成的深度模型

堆疊降噪自動(dòng)編碼器(Stackeddenoisingautoencoder,SDAE)通過堆疊多個(gè)DAE可以得到深度模型[9],SDAE的構(gòu)造方法是去掉前一個(gè)自動(dòng)編碼器的輸出層,將隱藏層特征表達(dá)作為下一個(gè)自動(dòng)編碼器的輸入,這樣每一個(gè)隱層都能實(shí)現(xiàn)對(duì)原始輸入的不同表達(dá),每個(gè)隱層....

圖4 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和引入Dropout機(jī)制的網(wǎng)絡(luò)

Dropout[11]的原理為:在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程中,按照設(shè)定的概率將隱層神經(jīng)元暫時(shí)舍棄,這種舍棄屬于隨機(jī)舍棄,在下一次的訓(xùn)練中會(huì)按設(shè)定概率重新組合不同的神經(jīng)元,進(jìn)行多次的Dropout處理之后,會(huì)使得原來的網(wǎng)絡(luò)變?yōu)槎鄠�(gè)更瘦的不同神經(jīng)網(wǎng)絡(luò)的組合,如圖4所示。通過不同的神經(jīng)網(wǎng)....

本文編號(hào)：4029294