论文摘要
随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器（Denosingauto-encoder,DAE）的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器（Kernel denosing auto-encoder, KDAE）;构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。
论文目录
文章来源
类型: 期刊论文
作者: 王奉涛,刘晓飞,敦泊森,邓刚,韩清凯,李宏坤
关键词: 中介轴承,故障诊断,深度学习,高斯核函数,自动编码器
来源: 机械工程学报 2019年07期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 大连理工大学振动工程研究所
基金: 国家自然科学基金资助项目(51875075,51375067)
分类号: TH133.3;TP18
页码: 58-64
总页数: 7
文件大小: 697K
下载量: 478