论文摘要
针对大型机械滚动轴承故障数据存在高噪声、高维度的问题,提出一种基于改进堆叠自编码器的故障诊断方法。基于改进的Dropout方法构建分类深度自编码网络模型,在预训练阶段采用逐层贪婪算法自适应提取高维数据的有效特征,在原始自编码器的基础上加入稀疏限制和"损伤噪声",提高特征表达的鲁棒性;在微调阶段,通过反向传播神经网络(BPNN)对参数进行微调,提高故障识别的准确率。仿真结果表明,该方法对于滚动轴承的故障诊断在稳定性、准确率等方面均优于反向传播神经网络(BPNN)和支持向量机(SVM)。
论文目录
文章来源
类型: 期刊论文
作者: 李晴晴,侯瑞春,丁香乾
关键词: 自动编码器,深度学习,损伤噪声,稀疏编码,故障诊断
来源: 计算机工程与设计 2019年07期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 机械工业,自动化技术
单位: 中国海洋大学信息科学与工程学院
基金: 国家重点研发计划基金项目(2017YFB1400903)
分类号: TP183;TH133.33
DOI: 10.16208/j.issn1000-7024.2019.07.043
页码: 2064-2070
总页数: 7
文件大小: 280K
下载量: 619