基于改进堆叠降噪自编码的滚动轴承故障分类

• 作者: 侯文擎 叶鸣 李巍华
• 来源期刊: 机械工程学报
• 学科: 工学
• 关键词: 降噪自编码 深度神经网络 超参数优化 故障诊断
• 年，卷（期）: 2018,（7）
• 所属期刊栏目: 机械动力学
• 页码范围: 87-96
• 页数: 10页
• 分类号: TG156
• 字数: 7591字
• 语种: 中文
• DOI: 10.3901/JME.2018.07.087

摘要

作为一种新兴的机器学习方法,深度学习在故障诊断领域逐渐得到了应用.其中,堆叠降噪自编码(Stacked de-noising auto-encoders,SDAE)算法先对原始数据添加“损伤噪声”,然后通过自编码网络进行数据重构,从而得到更鲁棒性的特征表示,易于进行故障分类.然而针对具体的故障诊断问题,网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果.因此,提出一种改进的SDAE诊断方法,利用粒子群算法(Particle swarm optimization,PSO)对DAE网络超参数进行自适应的选取来确定SDAE网络结构,据此得到故障状态的特征表示,输入到Soft-max分类器中进行故障分类识别.通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证,试验结果表明,基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机(Support vector machine,SVM)、反向传播神经网络(Back propagation,BP)以及深度置信网络(Deep belief network,DBN).

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	叶鸣	华南理工大学广东省汽车检测工程技术研究中心	11	65	4.0	7.0
2	李巍华	华南理工大学机械与汽车工程学院	27	597	14.0	24.0
6	侯文擎	华南理工大学机械与汽车工程学院	1	26	1.0	1.0