CN110455512B - 基于深度自编码器dae的旋转机械多集成故障诊断方法 - Google Patents

基于深度自编码器dae的旋转机械多集成故障诊断方法 Download PDF

Info

Publication number
CN110455512B
CN110455512B CN201910766738.1A CN201910766738A CN110455512B CN 110455512 B CN110455512 B CN 110455512B CN 201910766738 A CN201910766738 A CN 201910766738A CN 110455512 B CN110455512 B CN 110455512B
Authority
CN
China
Prior art keywords
sample
samples
encoder
training
dae
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910766738.1A
Other languages
English (en)
Other versions
CN110455512A (zh
Inventor
孔宪光
王奇斌
马洪波
毛刚
王亚军
怀天澍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Tali Technology Co ltd
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910766738.1A priority Critical patent/CN110455512B/zh
Publication of CN110455512A publication Critical patent/CN110455512A/zh
Application granted granted Critical
Publication of CN110455512B publication Critical patent/CN110455512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones

Abstract

一种基于深度自编码器DAE的旋转机械多集成故障诊断方法，实现步骤为：用旋转机械振动信号构建训练样本、验证样本、测试样本；搭建平行深度自编码器网络，训练平行深度自编码器网络；用训练好的平行深度自编码器对训练样本、验证样本、测试样本进行特征提取构建三个特征池；用构建softmax分类器优化三个特征池中的特征；用优化过后的特征从新构建和训练softmax分类器，得到最终优化的softmax分类器；将测试样本特征池中被筛选所有测试样本输入到训练好的平行深度自编码器进行特征提取，然后输入到最终优化的softmax分类器中，得到最终的分类结果。

Description

基于深度自编码器DAE的旋转机械多集成故障诊断方法
技术领域
本发明属于机械技术领域，更进一步涉及旋转机械技术领域中的一种基于深度自编码器DAE(deep auto-encoder)的旋转机械多集成故障诊断方法。本发明可用于对旋转机械的故障进行判断、识别、检测，为旋转机械装备的故障诊断与维修提供依据。
背景技术
随着现代机械设备的快速发展带来的巨大机遇和挑战,机械故障诊断技术也正朝着智能化蓬勃发展。在实际的生产中旋转机械是易受损设备,其故障的复杂性、多变性、不确定性导致其故障诊断需求尤为突出。深度学习技术引发的人工智能热潮席卷了包括故障诊断领域在内的诸多研究领域。基于深度学习的故障诊断方法已经在很多方面取得了比传统方法更好的效果,在处理大数据、多源异构数据方面的能力更是有得天独厚的优势，在旋转机械领域中得到广泛的应用并取得了很好的效果。但是深度学习在旋转机械故障诊断方面的发展仍显不足,首先深度网络模型的结构复杂导致深度网络模型的超参数调整比较困难，其次是深度学习模型的泛化能力不强。
电子科技大学在其申请的专利文献“基于一维深度残差卷积神经网络的旋转机械故障诊断方法”(申请号201811245199.9，申请公布号：CN 109299705 A，申请日期2018.10.24)中公开了一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法。该方法的步骤是：首先，通过堆积的一维残差模块使网络学习到训练样本更深层和更抽象的故障特征；然后，使用Adam优化算法对所有超参数进行优化，完成深层次特征的提取及故障分类，获得基于一维深度残差卷积神经网络的旋转机械故障诊断系统模型；最后，将测试样本输入到已经训练好的故障诊断模型中，自动提取深层特征，诊断出旋转机械的健康状况。该方法存在的不足之处是，深度残差卷积神经网络是更深层的神经网络，涉及的超参数比较多，虽然使用Adam优化算法对所有超参数进行优化。但是，过多的超参数神经调整起来仍然比较困难，会导致深度残差卷积网络模型在训练过程中发散，同时超参数随着迭代数值增大而增大，过大的超参数会导致模型过拟合，最终故障诊断结果的误差增大，所以会影响旋转机械故障诊断的准确性。
Chuan Li等作者在其发表的论文“Fault Diagnosis for Rotating MachineryUsing Vibration Measurement Deep Statistical Feature Learning”(Sensors，2016,16,895；doi:10.3390/s16060895)中提出了一种基于测量和学习深度振动统计特征的旋转机械故障诊断方法。该方法的步骤是：首先，用振动传感器从旋转机械系统收集振动信号在时间域，频率域和时频域中特征表示，用于产生统计特性集；然后，为了学习统计特征，将实值高斯-伯努利限制玻尔兹曼机堆叠起来以开发深度高斯-伯努利限制玻尔兹曼机，最后，将该模型用于旋转机械故障诊断。该方法存在的不足之处是，高斯-伯努利限制玻尔兹曼机的输入数据应服从高斯-伯努利分布，所以高斯-伯努利限制玻尔兹曼机对数据的选择有限制。现实中的数据大多分布复杂,所以高斯-伯努利限制玻尔兹曼机对复杂数据的拟合能力会比较低，导致高斯-伯努利限制玻尔兹曼机模型的泛化能力差。
发明内容：
本发明的目的在于针对上述现有技术的不足，提供一种基于深度自编码器DAE的旋转机械故障诊断方法，来解决深度神经网络参数调整困难泛化能力差的问题。
实现本发明目的的技术思路是，首先，构建旋转机械振动信号样本，搭建平行深度自编码器并训练，然后通过平行深度自编码器对振动数据进行特征提取、特征评估和特征筛选，最后，用筛选的特征进行样本集集成用以构建softmax分类器。
本发明的具体实现步骤包括如下：
(1)构建旋转机械振动信号样本：
(1a)使用加速度传感器，分别采集在不同运行状态下旋转机械的振动信号数据，其中每种运动状态下的数据量相等；
(1b)将不同运行状态下的数据平均划分为等量的样本数，并给不同运动状态下的样本标注标签，此时标注的标签称为理想样本标签；
(1c)从不同运行状态下所包含的样本中分别随机选取50％组成训练样本集，将剩余的25％样本组成验证样本集，剩余的25％组成测试样本集；
(2)搭建平行深度自编码器网络：
(2a)搭建一个由r个深度自编码器DAE并联组成的平行深度自编码网络，其中，r表示在[2,30]范围内随机选取的一个可使分类准确率达到最高的值；
每个深度自编码器DAE的网络结构依次为：输入层→p个隐藏层→SoftmaxRegression输出层，其中，p表示在[1,100]范围内随机选取的一个可使分类准确率达到最高的值；
每一个深度自编码器DAE中的每一个隐藏层均与上一层构成一个自编码器AE，将输入层和第一个隐藏层视为第一个自编码器AE，深度自编码器DAE网络中的SoftmaxRegression输出层看做一个分类器；
(2b)将每个深度自编码器DAE中每个隐藏层节点数设置为一个在[m,q]范围内随机选取的值，对每个深度自编码器DAE设置不同的激活函数；其中，m的取值与所采集在不同运行状态下旋转机械的振动信号数据的运行状态数目相等，q的取值与在不同运行状态下的数据平均划分为等量的样本所包含数据量相等；
(3)训练平行深度自编码器网络：
(3a)将训练样本集分别输入到平行深度自编码器网络中的每个深度自编码器DAE中进行预训练；
(3b)使用反向传播优化算法BP，对每一个深度自编码器DAE中进行整体微调，得到训练好的平行深度自编码器网络；
(4)构建三个特征池：
(4a)将每个训练好的平行深度自编码器网络中的Softmax Regression输出层去掉，得到r个训练好的平行深度自编码器；
(4b)将训练样本集输入到每个训练好的平行深度自编码器中提取训练样本特征，将输出的r个Mxun×Nxun维的训练样本特征组成的Mxun×Kxun维的训练样本特征池，其中，Mxun表示训练样本集中样本的总数，Nxun表示每个训练样本中数据的总数，Kxun＝r×Nxun；
(4c)将验证样本集输入到每个训练好的平行深度自编码器中提取验证样本特征，将输出的r个Myan×Nyan维的验证样本特征组成的Myan×Kyan维验证样本特征池，其中，Myan表示验证样本集中样本的总数，Nyan表示每个验证样本中数据的总数，Kyan＝r×Nyan；
(4d)将测试样本集输入到每个训练好的平行深度自编码器中提取测试样本特征，将输出的r个Mce×Nce维的测试样本特征组成的Mce×Kce维测试样本特征池，其中，Mce表示测试样本集中样本的总数，Nce表示每个测试样本中数据的总数，Kce＝r×Nce；
(5)优化三个特征池中的特征：
(5a)将训练样本特征池中的所有Kxun列分别输入到每个softmax分类器中，利用反向传播优化算法BP进行训练，得到R个训练好的softmax分类器，R＝Kxun；
(5b)将验证样本特征池中所有Kyan列，输入到每个训练好的softmax分类器，输出每个验证样本的实际样本标签；
(5c)利用准确率公式，计算每个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率；
(5d)将所有的分类准确率从大到小进行排序,每个训练好的softmax分类器对应一个分类准确率，每个训练好的softmax分类器对应训练样本特征池中一列，根据分类准确率将训练样本特征池中所对应的列也进行排序，得到排序后训练样本特征池，其中i＝1,2,3…R；
(5e)将验证样本特征池和测试样本特征池中与训练样本相同位置的列按排序后训练样本特征池中相同方式进行排序；
(5f)选取排序后训练样本特征池中前i最高分类准确率Ai值对应的列，重新组成训练样本，输入到Kxun个softmax分类器中，利用反向传播优化算法BP进行训练，得到S个训练好的softmax分类器，S＝Kxun；
(5g)使用验证样本特征池中排序后对应的所有列，输入到每个训练好的softmax分类器，输出每个验证样本的实际样本标签；
(5h)利用准确率公式，计算每个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率值B i；
(5i)找出所有B i中的最大值Blxun，将Blxun值在排序后的训练样本特征池中所对应列及前所有列筛选出来，得到筛选后的前lxun列特征；
(5j)根据验证样本特征池、测试样本特征池和训练样本特征池排序后对应关系，筛选验证样本特征池和测试样本特征池中相对应的前lyan列、lce列；
(6)构建softmax分类器：
(6a)将挑选出的训练样本特征池中的前lxun列作为被筛选出来的特征，组成维数为Mxun×lxun的特征矩阵，其中Mxun表示不同运行状态下的样本，每种运动状态下的样本数是相同的，每种运动状态下的样本共同组成Mxun个样本，将分类类别设置为m类，从每个条件下样本中各选择n＝1/m份样本组成一个类别下的样本总数，得到维度为n×lxun训练样本子集；
(6b)将m个维度为n×lxun训练样本子集分别进行交叉验证划分；
(6c)将交叉验证划分过后的训练样本子集，分别通过每个softmax分类器进行训练，得到训练好的softmax分类器；
(6d)将验证样本特征池中筛选的lyan列，分别输入到相应的训练好的每个softmax分类器进行测试，将测试结果进行多数表决，得出最优softmax分类器；
(7)用测试集进行测试：
将步骤(5j)中测试样本特征池中相对应的前lce列输入到最优softmax分类器中，得到最终的分类结果。
本发明与现有技术相比具有以下优点：
由于本发明搭建一个由r个深度自编码器DAE并联组成的平行深度自编码网络，然后通过平行深度自编码器对振动数据进行特征提取、特征评估和特征筛选，最后用筛选的特征用以构建softmax分类器，克服了现有技术泛化能力差的问题，使得本发明得到的softmax分类器具有更强的特征提取能力，提高了旋转机械故障诊断的准确率。
附图说明
图1为本发明的流程图；
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照图1，对本发明的具体实施步骤做进一步的详细描述。
步骤1，构建旋转机械振动信号样本。
使用加速度传感器，分别采集在不同运行状态下旋转机械的振动信号数据，其中每种运动状态下的数据量相等。
所述的不同运行状态包括旋转机械运行的健康状态和旋转机械在不同位置和不同方向上，发生不同尺寸的故障时的运行状态。
将不同运行状态下的数据平均划分为等量的样本数，并给不同运动状态下的样本标注标签，此时标注的标签称为理想样本标签。
从不同远动状态下所包含的样本中分别随机选取50％组成训练样本集，将剩余的25％样本组成验证样本集，剩余的25％组成测试样本集。
步骤2，搭建平行深度自编码器网络。
搭建一个由r个深度自编码器DAE并联组成的平行深度自编码网络，其中，r表示在[2,30]范围内随机选取的一个可使分类准确率达到最高的值。
每个深度自编码器DAE的网络结构依次为：输入层→p个隐藏层→SoftmaxRegression输出层，其中，p表示在[1,100]范围内随机选取的一个可使分类准确率达到最高的值；
每一个深度自编码器DAE中的每一个隐藏层均与上一层构成一个自编码器AE，将输入层和第一个隐藏层视为第一个自编码器AE，深度自编码器DAE网络中的SoftmaxRegression输出层看做一个分类器。
将每个深度自编码器DAE中每个隐藏层节点数设置为一个在[m,q]范围内随机选取的值，对每个深度自编码器DAE设置不同的激活函数；其中，m的取值与所采集在不同运行状态下旋转机械的振动信号数据的运行状态数目相等，q的取值与在不同运行状态下的数据平均划分为等量的样本所包含数据量相等。
步骤3，训练平行深度自编码器网络。
将训练样本集分别输入到平行深度自编码器网络中的每个深度自编码器DAE中进行预训练，其预训练的步骤如下。
第1步，将训练样本集输入到平行深度自编码器网络中的第一个深度自编码器DAE中的第一个自编码器AE，输出第一个自编码器AE重构的样本集。
第2步，按照下式，计算第一个自编码器AE重构样本集和相对应训练样本集之间的误差损失函数值。
Figure GDA0002766903110000061
其中，L表示训练样本集和重构样本集之间的误差损失函数值，M表示训练样本集中样本的总数，∑表示求和操作，|| ||表示求1范数操作，
Figure GDA0002766903110000062
表示训练样本集中的第x个训练样本经过自编码器AE后的重构样本。
第3步，根据经验知识将最小误差损失函数值的范围设置为0～0.01，判断第一个自编码器AE重构样本集和相对应训练样本集之间的误差损失函数值是否在最小损失函数值范围之内，若是则将此时第一个自编码器AE的权值矩阵和偏置作为其初始权值矩阵和偏置并执行第四步，若不是继续上述第1步、第2步中步骤，直到误差损失数值为最小损失函数值。
第4步，保持深度自编码器DAE中第一个自编码器AE的初始权值矩阵和偏置不变，将第一个自编码器AE的输函出作为第二个自编码器AE的输入，根据上述第2步、第3步中所述步骤，构建第二个自编码器AE的初始权值矩阵和偏置。
第5步，重复上述过程直到深度编码器DAE中所有自编码器AE完成初始权值矩阵和偏置的构建，即完成了单个深度自编码器DAE的预训练。
第6步，将平行深度自编码器网络中剩余的深度自编码器DAE分别按照上述步骤进行预训练。
使用反向传播优化算法BP，对每一个深度自编码器DAE中进行整体微调，得到训练好的平行深度自编码器网络，其反向传播优化算法BP，对每一个深度自编码器DAE中进行整体微调的步骤如下：
第1步，将训练样本集输入到平行深度自编码器网络中的第一个深度自编码器DAE中前向传播，得到输出层的输出。
第2步，按照下式，分别计算每次更新后的深度自编码器DAE输出层的权值梯度和偏置值的梯度；
Figure GDA0002766903110000071
Figure GDA0002766903110000072
其中，▽(k1)w表示第k1次更新后的深度自编码器DAE输出层的权值的梯度，
Figure GDA0002766903110000073
表示偏微分操作，N表示训练样本集中样本的总数，∑表示求和操作，y表示标签数据，Yn表示第n个训练样本经深度自编码器DAE输出层的输出，w表示深度自编码器DAE输出层的权值，▽(k1)b表示第k1次更新后的深度自编码器DAE输出层的偏置值的梯度，b表示深度自编码器DAE输出层权值。
第3步，按照下式，分别计算每次更新后的深度自编码器DAE的各隐藏层的权值的梯度和偏置值的梯度；
Figure GDA0002766903110000074
Figure GDA0002766903110000081
其中，
Figure GDA0002766903110000082
表示第k2次更新后的深度自编码器DAE第i个隐藏层权值的梯度，
Figure GDA0002766903110000083
表示偏微分操作，N表示训练样本集中的样本总数，∑表示求和操作，y表标签数据，Yn表示第n个训练样本经深度自编码器DAE输出层的输出，wi表示深度自编码器DAE第i个隐藏层权值，
Figure GDA0002766903110000084
表示第k2次更新后的深度自编码器DAE第i个隐藏层偏置的梯度，bi表示深度自编码器DAE第i个隐藏层偏置值。
第4步，按照下述更新公式，对每次更新后的深度自编码器DAE的输出层权值矩阵和偏置进行微调：
Figure GDA0002766903110000085
Figure GDA0002766903110000086
其中，
Figure GDA0002766903110000087
表示第k1次更新后的深度自编码器DAE输出层的权值，
Figure GDA0002766903110000088
表示为第k1-1次更新后的深度自编码器DAE输出层的权值，η表示学习率，依据经验知识所选取的0～0.5范围内小数值，▽(k1)w表示第k1次更新后的深度自编码器DAE输出层权值的梯度，▽(k1)b表示第k1次更新后的深度自编码器DAE输出层的偏置的梯度。
第5步，利用与第4步相同的更新公式，分别对每次更新后的深度自编码器DAE的各隐藏层权值矩阵和偏置进行微调。
第6步，按照下式，计算所有重构的样本和所有训练样本的平均误差损失值。
Figure GDA0002766903110000089
其中，E表示所有重构的样本与所有训练样本的平均误差损失值，N表示训练样本集中训练样本总数，∑表示求和操作，yn表示训练样本集中第n个训练样本的标签，Yn表示训练样本集中第n个训练样本经深度自编码器DAE输出层的重构的样本。
第7步，判断平均误差损失值是否小于阈值ε＝0.01，若是，执行第8步，否则，执行第1步。
第8步，对平行深度自编码器网络中其余的深度自编码器DAE分别均按照上述步骤进行整体微调，得到r个训练好的平行深度自编码器网络。
步骤4，构建三个特征池。
将每个训练好的平行深度自编码器网络中的Softmax Regression输出层去掉，得到r个训练好的平行深度自编码器。
将训练样本集输入到每个训练好的平行深度自编码器中提取训练样本特征，将输出的r个Mxun×Nxun维的训练样本特征组成的Mxun×Kxun维的训练样本特征池，其中，Mxun表示训练样本集中样本的总数，Nxun表示每个训练样本中数据的总数，Kxun＝r×Nxun。
将验证样本集输入到每个训练好的平行深度自编码器中提取验证样本特征，将输出的r个Myan×Nyan维的验证样本特征组成的Myan×Kyan维验证样本特征池，其中，Myan表示验证样本集中样本的总数，Nyan表示每个验证样本中数据的总数，Kyan＝r×Nyan。
将测试样本集输入到每个训练好的平行深度自编码器中提取测试样本特征，将输出的r个Mce×Nce维的测试样本特征组成的Mce×Kce维测试样本特征池，其中，Mce表示测试样本集中样本的总数，Nce表示每个测试样本中数据的总数，Kce＝r×Nce。
步骤5，优化三个特征池中的特征。
将训练样本特征池中的所有Kxun列分别输入到每个softmax分类器中，利用反向传播优化算法BP进行训练，得到R个训练好的softmax分类器，R＝Kxun，其反向传播优化算法BP的具体步骤如下：
第1步，按照下式，计算每个softmax分类器输出的实际样本标签与理想样本标签之间的误差损失值；
Figure GDA0002766903110000091
其中，J(θ)c表示第c个softmax分类器输出的实际样本标签与理想样本标签之间的误差损失值，c∈{1,2,...,R}，m1表示训练样本集中训练样本的总数，K表示训练样本标签的总数，log表示以2为底的对数操作，e(·)表示以自然常数e为底的指数操作，θj表示第c个softmax分类器中的第j个参数，Xi表示第i个训练样本，yi表示第i个训练样本的理想样本标签，j表示训练样本的实际样本标签，j∈{1,2,...,K}，∑表示求和操作，I(·)表示指示函数，若实际样本标签与理想样本标签相等时，I(·)取值为1，若不相等取值为0；
第2步，按照下式，更新每个softmax分类器的每个参数：
Figure GDA0002766903110000101
其中，
Figure GDA0002766903110000102
表示更新后的第k1个softmax分类器的第t个参数，k1∈{1,2,...,R}，t∈{1,2,...,M}，R＝M，α表示学习率，其取值依据经验知识在0～0.5范围内选取的一个小数值，
Figure GDA0002766903110000103
表示第k1个softmax分类器的第t个参数，▽表示求梯度操作，J(θ)c表示第c个softmax分类器输出的实际样本标签与理想样本标签之间的误差损失值。
第3步，判断误差损失值是否小于阈值ε＝0.02，若是，softmax分类器完成训练，否则，执行第1步。
将验证样本特征池中所有Kyan列，输入到每个训练好的softmax分类器，输出每个验证样本的实际样本标签。
利用准确率公式，计算每个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率公式如下：
Figure GDA0002766903110000104
其中，Ai表示第i个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率，Ny表示验证样本集中样本的总数，∑表示求和操作，a表示验证样本特征池中验证样本序号，Num(·)表示指示函数，若实际样本标签与理想样本标签相等时，Num(·)取值为1，若不相等取值为0，yp表示通过验证样本理想的样本标签，yr表示验证样本的实际样本标签。
将所有的分类准确率从大到小进行排序,每个训练好的softmax分类器对应一个分类准确率，每个训练好的softmax分类器对应训练样本特征池中一列，根据分类准确率将训练样本特征池中所对应的列也进行排序，得到排序后训练样本特征池，其中i＝1,2,3…R。
将验证样本特征池和测试样本特征池中与训练样本相同位置的列按排序后训练样本特征池中相同方式进行排序。
选取排序后训练样本特征池中前i最高Ai値对应的列，重新组成训练样本，输入到Kxun个softmax分类器中，利用反向传播优化算法BP进行训练，得到S个训练好的softmax分类器，S＝Kxun。
使用验证样本特征池中排序后对应的所有列，输入到每个训练好的softmax分类器，输出每个验证样本的实际样本标签。
利用准确率公式，计算每个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率B i公式如下：
Figure GDA0002766903110000111
其中，Bi表示第i个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率，Ny表示验证样本集中样本的总数，∑表示求和操作，a表示验证样本特征池中验证样本序号，Num(·)表示指示函数，若实际样本标签与理想样本标签相等时，Num(·)取值为1，若不相等取值为0，yp表示通过验证样本理想的样本标签，yr表示验证样本的实际样本标签。
找出所有Bi中的最大值
Figure GDA0002766903110000112
将
Figure GDA0002766903110000113
値在排序后的训练样本特征池中所对应列及前所有列筛选出来，得到筛选后的前lxun列特征。
根据上述步骤中验证样本特征池、测试样本特征池和训练样本特征池排序后对应关系，筛选验证样本特征池和测试样本特征池中相对应的前lyan列、lce列。
步骤6，构建softmax分类器。
将挑选出的训练样本特征池中的前lxun列作为被筛选出来的特征，组成维数为Mxun×lxun的特征矩阵，其中Mxun表示不同运行状态下的样本，每种运动状态下的样本数是相同的，每种运动状态下的样本共同组成Mxun个样本，将分类类别设置为m类，从每个条件下样本中各选择n＝1/m份样本组成一个类别下的样本总数，得到维度为n×lxun训练样本子集。
将m个维度为n×lxun训练样本子集分别进行交叉验证划分。
交叉验证划分是指，交叉验证就是把k个样本，选择一个作为测试数据，剩下的k-1个作为训练数据。交叉验证划分的过程实际上是把实验重复做k次，每次实验都从m个部分中选择一个不同的样本作为测试样本(保证k个部分的数据都分别做过测试数据)，剩下的k-1个当作训练样本，并将k次的平均交叉验证划分识别正确率作为结果。
将交叉验证划分过后的训练样本子集，分别通过每个softmax分类器进行训练，得到训练好的softmax分类器。
将验证样本特征池中筛选的lyan列，分别输入到相应的训练好的每个softmax分类器进行测试，将测试结果进行多数表决，得出最优softmax分类器。
所述的多数表决是指，将验证样本特征池中所有样本依次输入到每个softmax分类器中，每个softmax分类器对验证样本特征池中所有样本进分类，将一个样本分类正确得一分，分类错误得零分，每个softmax分类器对验证样本特征池中所有样本最终分类得分为对验证样本特征池中所有样本分类的正确样本的数量，将所有softmax分类器的最终得分从大到小排序，选择前m个softmax分类器，作为最终的softmax分类器。
步骤7，用测试集进行测试。
将测试样本特征池中被筛选所有测试样本输入到最优softmax分类器中，得到最终的分类结果。
下面结合仿真实验对本发明的效果做进一步的说明：
1.实验条件：
本发明的实验的硬件平台为：感应电动机，测试轴承和负载电动机三部分。每个轴承在四种不同载荷(0,1,2和3hp)下进行测试，并将单点故障引入轴承，故障直径为0.007,0.014,0.021和0.028英寸(1英寸＝25.4mm)。加速度计安装在驱动端附近以收集振动信号。
本发明的实验的软件平台为：Windows 7操作系统和MATLAB R2018b。
本发明的仿真实验所使用的输入实验数据是来自凯斯西储大学实验室的滚动轴承实验数据，该数据是在转速为1797rpm、马力为0hp的条件下收集的振动数据，其中包括12个轴承运行条件包括不同的故障类型，不同的故障严重程度和不同的故障方向，每个条件包括300个样本，每个样本是一个收集的振动信号段，由400个采样数据点组成。每个条件的随机150个样本用作保持普遍性的训练数据，其余样本中的随机75个样本用作验证数据，剩余75个用于测试，有关12种条件的详细信息列于表1中。
表1故障条件设置一览表
Figure GDA0002766903110000131
2.仿真内容及其结果分析：
本发明的实验是采用本发明的方法和一个现有技术小波自编码器分类方法，基于上述实验条件对来自凯斯西储大学实验室的滚动轴承实验数据进行仿真分析得到实验结果，根据实验结果进一步对滚动轴承的故障类型进行分类，并将其分类结果与现有技术的分类结果进行对比。
所述的现有技术是指，Haidong Shao等人在“Intelligent fault diagnosis ofrolling bearing using deep wavelet auto-encoder with extreme learningmachine,[J].Knowledge-Based Systems,2018,140:1-14.”中提出的分类方法，也简称为小波自编码器分类方法。
在本发明的仿真实验中所用的深度自编码器DAE的r取值为7，既用7种不同激活函数设计的7个深度自编码器DAE。每个深度自编码器DAE的相关参数和激活的详细信息如表2所示。每个深度自编码器DAE的输入均为400维的原始振动，每个深度自编码器DAE的输出特征均为80，则7个深度自编码器DAE共输出560个特征，将560个特征组成训练样本特征池。通过相应的验证样本对训练样本特征池中的560个特征进行评估，并且根据评估结果选择最佳289个训练样本特征。
将选择289个最佳训练样本特征进行集成划分成不同的样本子集并进行交叉操作，用交叉操作过后的训练样本子集对k个softmax分类器进行训练并通过多数投票对softmax分类器集合，得到最佳的softmax分类器。其中，交叉操作过程中训练样本被分为k个部分，部分k被移除，其余部分用于训练softmax分类器。考虑到每个类别的训练样本数量为150，为了保持分类器的多样性，k的推荐值为3、5、10、15。当k为15时，softmax分类器的多样性和均匀性得以保持并且表现为最佳。
表2 7个平行深度自编码器DAE参数一览表
Figure GDA0002766903110000141
在本发明的仿真实验中，评价仿真实验结果的指标为模型的分类准确率，具体表达式如下：
Figure GDA0002766903110000142
其中，Ai表示第i个输出的所有测试样本的实际样本标签和理想样本标签相同的测试样本数量占测试样本总数的分类准确率，Ny表示测试样本集中样本的总数，∑表示求和操作，a表示测试样本特征池中测试样本序号，Num(·)表示指示函数，若实际样本标签与理想样本标签相等时，Num(·)取值为1，若不相等取值为0，yp表示通过测试样本理想的样本标签，yr表示测试样本的实际样本标签。
将测试样本输入到上述的最佳softmax分类器中，得到滚动轴承的故障分类结果，根据分类准确率公式计算出本发明和现有技术的分类准确率，并将本发明在滚动轴承的故障诊断中所得的分类准确率结果进行总结分析，得到表3测试结果的混淆矩阵数据，测试结果的混淆矩阵数据表中的数据是对本发明的效果做进一步的描述，其中0表示样本真实标签与输出样本预测标签相同，横向数据表示样本的真实标签，纵向表示输出样本的预测标签，对角线数据为每一类的总的分类准确率，不在对角线上且不为0的数据aij表示预测标签j与真实标签i的不是同一类的错误率，分类结果显示本发明的平均分类准确率为96.44％与现有技术小波包自编码器的平均分类准确率95.2％相比有更高的分类准确率。
表3测试结果混淆矩阵数据一览表
Figure GDA0002766903110000151

Claims (9)

1.一种基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，通过平行深度自编码器对振动数据进行特征提取、特征评价和特征筛选，用筛选的特征进行样本集集成，该方法的步骤包括如下：
(1)构建旋转机械振动信号样本：
(1a)使用加速度传感器，分别采集在不同运行状态下旋转机械的振动信号数据，其中每种运动状态下的数据量相等；
(1b)将不同运行状态下的数据平均划分为等量的样本数，并给不同运动状态下的样本标注标签，此时标注的标签称为理想样本标签；
(1c)从不同运行状态下所包含的样本中分别随机选取50％组成训练样本集，将剩余的25％样本组成验证样本集，剩余的25％组成测试样本集；
(2)搭建平行深度自编码器网络：
(2a)搭建一个由r个深度自编码器DAE并联组成的平行深度自编码网络，其中，r表示在[2,30]范围内随机选取的一个可使分类准确率达到最高的值；
每个深度自编码器DAE的网络结构依次为：输入层→p个隐藏层→Softmax Regression输出层，其中，p表示在[1,100]范围内随机选取的一个可使分类准确率达到最高的值；
每一个深度自编码器DAE中的每一个隐藏层均与上一层构成一个自编码器AE，将输入层和第一个隐藏层视为第一个自编码器AE，深度自编码器DAE网络中的SoftmaxRegression输出层看做一个分类器；
(2b)将每个深度自编码器DAE中每个隐藏层节点数设置为一个在[m,q]范围内随机选取的值，对每个深度自编码器DAE设置不同的激活函数；其中，m的取值与所采集在不同运行状态下旋转机械的振动信号数据的运行状态数目相等，q的取值与在不同运行状态下的数据平均划分为等量的样本所包含数据量相等；
(3)训练平行深度自编码器网络：
(3a)将训练样本集分别输入到平行深度自编码器网络中的每个深度自编码器DAE中进行预训练；
(3b)使用反向传播优化算法BP，对每一个深度自编码器DAE中进行整体微调，得到训练好的平行深度自编码器网络；
(4)构建三个特征池：
(4a)将每个训练好的平行深度自编码器网络中的Softmax Regression输出层去掉，得到r个训练好的平行深度自编码器；
(4b)将训练样本集输入到每个训练好的平行深度自编码器中提取训练样本特征，将输出的r个Mxun×Nxun维的训练样本特征组成的Mxun×Kxun维的训练样本特征池，其中，Mxun表示训练样本集中样本的总数，Nxun表示每个训练样本中数据的总数，Kxun＝r×Nxun；
(4c)将验证样本集输入到每个训练好的平行深度自编码器中提取验证样本特征，将输出的r个Myan×Nyan维的验证样本特征组成的Myan×Kyan维验证样本特征池，其中，Myan表示验证样本集中样本的总数，Nyan表示每个验证样本中数据的总数，Kyan＝r×Nyan；
(4d)将测试样本集输入到每个训练好的平行深度自编码器中提取测试样本特征，将输出的r个Mce×Nce维的测试样本特征组成的Mce×Kce维测试样本特征池，其中，Mce表示测试样本集中样本的总数，Nce表示每个测试样本中数据的总数，Kce＝r×Nce；
(5)优化三个特征池中的特征：
(5a)将训练样本特征池中的所有Kxun列分别输入到每个softmax分类器中，利用反向传播优化算法BP进行训练，得到R个训练好的softmax分类器，R＝Kxun；
(5b)将验证样本特征池中所有Kyan列，输入到每个训练好的softmax分类器，输出每个验证样本的实际样本标签；
(5c)利用准确率公式，计算每个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率；
(5d)将所有的分类准确率从大到小进行排序,每个训练好的softmax分类器对应一个分类准确率，每个训练好的softmax分类器对应训练样本特征池中一列，根据分类准确率将训练样本特征池中所对应的列也进行排序，得到排序后训练样本特征池，其中i＝1,2,3…R；
(5e)将验证样本特征池和测试样本特征池中与训练样本相同位置的列按排序后训练样本特征池中相同方式进行排序；
(5f)选取排序后训练样本特征池中前i最高分类准确率Ai值对应的列，重新组成训练样本，输入到Kxun个softmax分类器中，利用反向传播优化算法BP进行训练，得到S个训练好的softmax分类器，S＝Kxun；
(5g)使用验证样本特征池中排序后对应的所有列，输入到每个训练好的softmax分类器，输出每个验证样本的实际样本标签；
(5h)利用准确率公式，计算每个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率值Bi；
(5i)找出所有Bi中的最大值
Figure FDA0002766903100000031
将
Figure FDA0002766903100000032
值在排序后的训练样本特征池中所对应列及前所有列筛选出来，得到筛选后的前lxun列特征；
(5j)根据验证样本特征池、测试样本特征池和训练样本特征池排序后对应关系，筛选验证样本特征池和测试样本特征池中相对应的前lyan列、lce列；
(6)构建softmax分类器：
(6a)将挑选出的训练样本特征池中的前lxun列作为被筛选出来的特征，组成维数为Mxun×lxun的特征矩阵，其中Mxun表示不同运行状态下的样本，每种运动状态下的样本数是相同的，每种运动状态下的样本共同组成Mxun个样本，将分类类别设置为m类，从每个条件下样本中各选择n＝1/m份样本组成一个类别下的样本总数，得到维度为n×lxun训练样本子集；
(6b)将m个维度为n×lxun训练样本子集分别进行交叉验证划分；
(6c)将交叉验证划分过后的训练样本子集，分别通过每个softmax分类器进行训练，得到训练好的softmax分类器；
(6d)将验证样本特征池中筛选的lyan列，分别输入到相应的训练好的每个softmax分类器进行测试，将测试结果进行多数表决，得出最优softmax分类器；
(7)用测试集进行测试：
将步骤(5j)中测试样本特征池中相对应的前lce列输入到最优softmax分类器中，得到最终的分类结果。
2.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(1b)中所述的不同运行状态，包括旋转机械运行的健康状态和旋转机械在不同位置和不同方向上，发生不同尺寸的故障时的运行状态。
3.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(3a)中所述的预训练的步骤如下：
第一步，将训练样本集输入到平行深度自编码器网络中的第一个深度自编码器DAE中的第一个自编码器AE，输出第一个自编码器AE重构的样本集；
第二步，按照下式，计算第一个自编码器AE重构样本集和相对应训练样本集之间的误差损失函数值；
Figure FDA0002766903100000041
其中，L表示训练样本集和重构样本集之间的误差损失函数值，M表示训练样本集中样本的总数，∑表示求和操作，|| ||表示求1范数操作，
Figure FDA0002766903100000042
表示训练样本集中的第x个训练样本经过自编码器AE后的重构样本；
第三步，根据经验知识将最小误差损失函数值的范围设置为0～0.01，判断第一个自编码器AE重构样本集和相对应训练样本集之间的误差损失函数值是否在最小损失函数值范围之内，若是则将此时第一个自编码器AE的权值矩阵和偏置作为其初始权值矩阵和偏置并执行第四步，若不是继续上述第一步、第二步中步骤，直到误差损失数值为最小损失函数值；
第四步，保持深度自编码器DAE中第一个自编码器AE的初始权值矩阵和偏置不变，将第一个自编码器AE的输函出作为第二个自编码器AE的输入，根据上述第二步、第三步中所述步骤，构建第二个自编码器AE的初始权值矩阵和偏置，依次类推；
第五步，重复上述过程直到深度编码器DAE中所有自编码器AE完成初始权值矩阵和偏置的构建，即完成了单个深度自编码器DAE的预训练；
第六步，将平行深度自编码器网络中剩余的深度自编码器DAE分别按照上述步骤进行预训练。
4.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(3b)中所述的反向传播优化算法BP的步骤如下：
第一步，将训练样本集输入到平行深度自编码器网络中的第一个深度自编码器DAE中前向传播，得到输出层的输出；
第二步，按照下式，分别计算每次更新后的深度自编码器DAE输出层的权值梯度和偏置值的梯度；
Figure FDA0002766903100000051
Figure FDA0002766903100000052
其中，
Figure FDA0002766903100000053
表示第k1次更新后的深度自编码器DAE输出层的权值的梯度，
Figure FDA0002766903100000054
表示偏微分操作，N表示训练样本集中样本的总数，∑表示求和操作，y表示标签数据，Yn表示第n个训练样本经深度自编码器DAE输出层的输出，w表示深度自编码器DAE输出层的权值，
Figure FDA0002766903100000055
表示第k1次更新后的深度自编码器DAE输出层的偏置值的梯度，b表示深度自编码器DAE输出层权值；
第三步，按照下式，分别计算每次更新后的深度自编码器DAE的各隐藏层的权值的梯度和偏置值的梯度；
Figure FDA0002766903100000061
Figure FDA0002766903100000062
其中，
Figure FDA0002766903100000063
表示第k2次更新后的深度自编码器DAE第i个隐藏层权值的梯度，
Figure FDA0002766903100000064
表示偏微分操作，N表示训练样本集中的样本总数，∑表示求和操作，y表标签数据，Yn表示第n个训练样本经深度自编码器DAE输出层的输出，wi表示深度自编码器DAE第i个隐藏层权值，
Figure FDA0002766903100000065
表示第k2次更新后的深度自编码器DAE第i个隐藏层偏置的梯度，bi表示深度自编码器DAE第i个隐藏层偏置值；
第四步，按照下述更新公式，对每次更新后的深度自编码器DAE的输出层权值矩阵和偏置进行微调：
Figure FDA0002766903100000066
Figure FDA0002766903100000067
其中，
Figure FDA0002766903100000068
表示第k1次更新后的深度自编码器DAE输出层的权值，
Figure FDA0002766903100000069
表示为第k1-1次更新后的深度自编码器DAE输出层的权值，η表示学习率，依据经验知识所选取的0～0.5范围内小数值，
Figure FDA00027669031000000610
表示第k1次更新后的深度自编码器DAE输出层权值的梯度，
Figure FDA00027669031000000611
表示第k1次更新后的深度自编码器DAE输出层的偏置的梯度；
第五步，利用与第四步相同的更新公式，分别对每次更新后的深度自编码器DAE的各隐藏层权值矩阵和偏置进行微调；
第六步，按照下式，计算所有重构的样本和所有训练样本的平均误差损失值；
Figure FDA00027669031000000612
其中，E表示所有重构的样本与所有训练样本的平均误差损失值，N表示训练样本集中训练样本总数，∑表示求和操作，yn表示训练样本集中第n个训练样本的标签，Yn表示训练样本集中第n个训练样本经深度自编码器DAE输出层的重构的样本；
第七步，判断平均误差损失值是否小于阈值ε＝0.01，若是，执行第八步，否则，执行第一步；
第八步，对平行深度自编码器网络中其余的深度自编码器DAE分别均按照上述步骤进行整体微调，得到r个训练好的平行深度自编码器网络。
5.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(5a)中所述的softmax分类器是指一种算法模型，在本发明中可将其看做单层的神经网络，对于训练样本集{(X(1),y(1)),(X(2),y(2)),...,(X(i),y(i))}其中，X(i)表示第i个样本，y(i)为相应的标签，y(i)∈{1,2,...,K}总共有K个分类，将其中一个样本输入softmax分类器，输出为实际样本标签hθ(X(i))，其具体表达式：
Figure FDA0002766903100000071
其中，hθ(X(i))表示softmax分类器输出，p(y(i)＝j|X(i),θ)表示每一个样本X(i)估计其所属的类别的概率，y(i)表示第i个样本，X(i)表示第i个样本，θ表示参数，e表示常数，K表示分类的类别总数。
6.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(5a)中所述的反向传播优化算法BP的具体步骤如下：
第一步，按照下式，计算每个softmax分类器输出的实际样本标签与理想样本标签之间的误差损失值；
Figure FDA0002766903100000081
其中，J(θ)c表示第c个softmax分类器输出的实际样本标签与理想样本标签之间的误差损失值，c∈{1,2,...,R}，m1表示训练样本集中训练样本的总数，K表示训练样本标签的总数，log表示以2为底的对数操作，e(·)表示以自然常数e为底的指数操作，θj表示第c个softmax分类器中的第j个参数，Xi表示第i个训练样本，yi表示第i个训练样本的理想样本标签，j表示训练样本的实际样本标签，j∈{1,2,...,K}，∑表示求和操作，I(·)表示指示函数，若实际样本标签与理想样本标签相等时，I(·)取值为1，若不相等取值为0；
第二步，按照下式，更新每个softmax分类器的每个参数：
Figure FDA0002766903100000082
其中，
Figure FDA0002766903100000083
表示更新后的第k1个softmax分类器的第t个参数，k1∈{1,2,...,R}，t∈{1,2,...,M}，R＝M，α表示学习率，其取值依据经验知识在0～0.5范围内选取的一个小数值，
Figure FDA0002766903100000084
表示第k1个softmax分类器的第t个参数，
Figure FDA0002766903100000085
表示求梯度操作，J(θ)c表示第c个softmax分类器输出的实际样本标签与理想样本标签之间的误差损失值；
第三步，判断误差损失值是否小于阈值ε＝0.02，若是，softmax分类器完成训练，否则，执行第一步。
7.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于步骤(5c)、步骤(5h)中所述的准确率公式如下：
Figure FDA0002766903100000086
其中，Ai(Bi)表示第i个输出的所有验证样本的实际样本标签和理想样本标签相同的验证样本数量占验证样本总数的分类准确率，Ny表示验证样本集中样本的总数，∑表示求和操作，a表示验证样本特征池中验证样本序号,Num(·)表示指示函数，若实际样本标签与理想样本标签相等时，Num(·)取值为1，若不相等取值为0，yp表示通过验证样本理想的样本标签，yr表示验证样本的实际样本标签。
8.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(6b)中所述的交叉验证划分是指，交叉验证就是把k个样本，选择一个作为测试数据，剩下的k-1个作为训练数据；交叉验证的过程实际上是把实验重复做k次，每次实验都从m个部分中选择一个不同的样本作为测试样本，剩下的k-1个当作训练样本，并将k次的平均交叉验证识别正确率作为结果。
9.根据权利要求1所述的基于深度自编码器DAE的旋转机械多集成故障诊断方法，其特征在于，步骤(6d)中所述的多数表决是指，将验证样本特征池中所有样本依次输入到每个softmax分类器中，每个softmax分类器对验证样本特征池中所有样本进分类，将一个样本分类正确得一分，分类错误得零分，每个softmax分类器对验证样本特征池中所有样本最终分类得分为对验证样本特征池中所有样本分类的正确样本的数量，将所有softmax分类器的最终得分从大到小排序，选择前m个softmax分类器，作为最终的softmax分类器。
CN201910766738.1A 2019-08-20 2019-08-20 基于深度自编码器dae的旋转机械多集成故障诊断方法 Active CN110455512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910766738.1A CN110455512B (zh) 2019-08-20 2019-08-20 基于深度自编码器dae的旋转机械多集成故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910766738.1A CN110455512B (zh) 2019-08-20 2019-08-20 基于深度自编码器dae的旋转机械多集成故障诊断方法

Publications (2)

Publication Number Publication Date
CN110455512A CN110455512A (zh) 2019-11-15
CN110455512B true CN110455512B (zh) 2021-01-05

Family

ID=68487811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910766738.1A Active CN110455512B (zh) 2019-08-20 2019-08-20 基于深度自编码器dae的旋转机械多集成故障诊断方法

Country Status (1)

Country Link
CN (1) CN110455512B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044287A (zh) * 2019-12-31 2020-04-21 湖南大学 一种基于概率输出弹性凸包的滚动轴承故障诊断方法
CN112465030B (zh) * 2020-11-28 2022-06-07 河南财政金融学院 一种基于两级迁移学习的多源异构信息融合故障诊断方法
CN114371002B (zh) * 2021-12-30 2024-01-09 天津理工大学 基于dae-cnn的行星齿轮箱故障诊断方法
CN116522143B (zh) * 2023-05-08 2024-04-05 深圳市大数据研究院 模型训练方法、聚类方法、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107702922A (zh) * 2017-09-11 2018-02-16 南京信息工程大学 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN108363382A (zh) * 2018-02-09 2018-08-03 哈尔滨工业大学（威海） 一种复杂装备故障诊断方法及系统
CN110006650A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法
CN110044554A (zh) * 2019-04-16 2019-07-23 重庆大学 一种基于声发射信号的金属压力容器泄漏的在线检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107702922A (zh) * 2017-09-11 2018-02-16 南京信息工程大学 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN108363382A (zh) * 2018-02-09 2018-08-03 哈尔滨工业大学（威海） 一种复杂装备故障诊断方法及系统
CN110006650A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法
CN110044554A (zh) * 2019-04-16 2019-07-23 重庆大学 一种基于声发射信号的金属压力容器泄漏的在线检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A multi-step progressive fault diagnosis method for rolling element bearing based on energy entropy theory and hybrid ensemble auto-encoder;Wei Jiang 等;《ISA Transactions》;20181130;第87卷;第235-250页 *
Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine;Shao Haidong 等;《Knowledge-Base d Systems》;20171023;第140卷;第1-14页 *
基于深度自编码网络模型的风电机组齿轮箱故障检测;刘辉海 等;《电工技术学报》;20170930;第32卷(第17期);第156-163页 *
基于深度自编码网络的电力变压器故障诊断;石鑫 等;《电力自动化设备》;20160531;第36卷(第5期);第122-126页 *

Also Published As

Publication number Publication date
CN110455512A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN106895975B (zh) 基于Stacked SAE深度神经网络的轴承故障诊断方法
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN114295377B (zh) 一种基于遗传算法的cnn-lstm轴承故障诊断方法
CN105653450A (zh) 基于改进遗传算法与Adaboost结合的软件缺陷数据特征选择方法
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN110097123B (zh) 一种快件物流过程状态检测多分类系统
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
CN115061219B (zh) 基于石油天然气探测的裂缝型储层预测识别方法及系统
CN107528824B (zh) 一种基于二维度稀疏化的深度信念网络入侵检测方法
CN113887342A (zh) 基于多源信号和深度学习的设备故障诊断方法
CN113865868A (zh) 基于时频域表达的滚动轴承故障诊断方法
CN111899869A (zh) 一种抑郁症患者识别系统及其识别方法
CN115435892A (zh) 一种复杂机电装备的智能故障诊断方法
CN115659174A (zh) 基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备
CN115185937A (zh) 一种基于sa-gan架构的时间序列异常检测方法
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN113221946A (zh) 一种机械设备故障种类的诊断方法
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及系统
CN116881841A (zh) 一种基于F1-score多级决策分析的混合模型故障诊断方法
Yamada et al. Weight Features for Predicting Future Model Performance of Deep Neural Networks.
CN114627333A (zh) 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统
CN111402953B (zh) 基于层次注意力网络的蛋白质序列分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230413

Address after: Room 408, Building D, Huixin IBC, No.1 Zhangba 1st Road, Zhangba Street Office, High tech Zone, Xi'an City, Shaanxi Province, 710076

Patentee after: Xi'an Tali Technology Co.,Ltd.

Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an

Patentee before: XIDIAN University