区分自编码网络及其在滚动轴承故障特征提取中的应用

• 作者: 余迪 向宙 张西宁 张雯雯
• 来源期刊: 西安交通大学学报
• 关键词: 深度学习 自编码 特征提取 轴承故障诊断
• 年，卷（期）: 2019,（8）
• 页码范围: 47-55,140
• 页数: 10页
• 分类号: TH17
• 语种: 中文
• DOI: 10.7652/xjtuxb201908007

摘要

针对传统自编码网络在特征自动提取过程中仅以重构误差最小为目的而导致的分类信息模糊问题,提出了一种区分自编码网络.该网络在自编码网络的隐层连接一个全连接层,加上Soft-max分类器,将分类器的输出与标签信息的交叉熵添加到原始的损失函数中,以该复合损失函数最小为目标对网络进行训练.将上一层区分自编码网络的隐层作为下一层区分自编码网络的输入,依次堆叠形成堆叠区分自编码网络.运用改进前后的堆叠自编码网络进行滚动轴承故障特征自动提取,分别在实验室定转速和变转速多载荷数据集上进行了测试.定量计算改进前后网络提取特征的类内距和类间距,区分自编码网络将类内距减少8.26％,类间距增加23.02％.运用3种常用分类器对两种网络提取的特征和42个人工提取的特征分别进行故障分类,结果显示,在定转速数据集上,区分型网络提取的特征和人工提取特征的分类效果相当,均高于传统型网络提取的特征;但是在变转速多载荷数据上,区分型网络提取的特征明显优于另外两类特征.定量计算和故障诊断的结果表明,区分型网络具有良好的不随工况变化的特征自动提取能力.提出的区分型自编码网络可广泛应用在机械故障诊断的特征提取阶段,为工程技术人员实现特征自动提取提供了一种解决方案.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张西宁	西安交通大学机械制造系统工程国家重点实验室	48	471	11.0	20.0
2	张雯雯	西安交通大学机械制造系统工程国家重点实验室	9	10	2.0	2.0
3	向宙	西安交通大学机械制造系统工程国家重点实验室	6	42	2.0	6.0
4	余迪	西安交通大学机械制造系统工程国家重点实验室	2	3	1.0	1.0