基于融合型深度学习的滚动轴承亚健康识别算法

• 作者: 孙军 张利 李大伟 牛明航 高一丹
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 深度学习 亚健康识别 相关向量机 D-S证据理论 滚动轴承
• 年，卷（期）: 2018,（8）
• 所属期刊栏目: 人工智能
• 页码范围: 2224-2229,2242
• 页数: 7页
• 分类号: TP18
• 字数: 5672字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017112702

摘要

深度学习模型增加了隐含层的层数,使得该模型在语音识别、图像视频分类等方面取得了不错的效果;但建立一个适合特定对象的模型需要大量的数据集来训练,而且需要较长时间才能获得合适的权重和偏置,为此提出一种基于深度自动编码器-相关向量机网络模型的滚动轴承亚健康诊断方法.首先,采集滚动轴承振动信号并进行傅里叶变换和归一化处理;其次,设计改进的自动编码器-稀疏边缘降噪自动编码器,结合了稀疏自动编码器和边缘降噪自动编码器的特点;接着建立深度自动编码器-相关向量机网络模型,用有监督的函数对各个隐含层的参数进行微调,并利用相关向量机(RVM)进行训练;最后将得到的分类根据D-S证据理论融合并得出最终的分类结果.实验结果表明所提算法能有效提高滚动轴承“亚健康”状态的识别精度,纠正错误分类.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张利	辽宁大学信息学院	11	71	3.0	8.0
2	孙军	辽宁大学信息学院	12	85	4.0	9.0
3	李大伟	辽宁大学信息学院	1	3	1.0	1.0
4	牛明航	辽宁大学信息学院	3	3	1.0	1.0
5	高一丹	辽宁大学信息学院	1	3	1.0	1.0