论文摘要
相对于传统的"对信号进行特征提取+人工选择对数据敏感的特征值+预测模型"的滚动轴承寿命预测方法,深度信念网络（DBN）有显著的优势:DBN可以直接处理原始数据,让机器自动学习信号特征,从而免去了特征提取和选择的过程,提高了预测的智能性。但是传统的DBN采用固定学习率进行网络学习,不利于寻找最优结果;基于此,提出了一种改进的深度信念网络——全参数动态学习深度信念网络（GPDLDBN）,并将其应用于滚动轴承寿命预测中。GPDLDBN预测模型由多层受限玻尔兹曼机（RBM）单元组成,采用自下而上的逐层无监督贪婪算法训练参数;接着采用自上而下的监督学习算法微调整个网络参数,两个过程均采用新的全参数动态学习策略设置各参数;采用GPDLDBN预测模型对实测的滚动轴承寿命数据进行了预测,并与传统的固定学习率的DBN预测模型进行了对比分析。结果表明,GPDLDBN预测模型能够有效加快收敛速度,减少模型的训练时间,且具有更高的预测精度。
论文目录
文章来源
类型: 期刊论文
作者: 杨宇,张娜,程军圣
关键词: 深度学习,滚动轴承,寿命预测
来源: 振动与冲击 2019年10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: 湖南大学汽车车身先进设计制造国家重点实验室
基金: 国家自然科学基金(51575168,51375152),国家重点研发计划项目(2016YFF0203400),湖南省重点研发计划(2017GK2182)
分类号: TP18;TH133.33
DOI: 10.13465/j.cnki.jvs.2019.10.030
页码: 199-205+249
总页数: 8
文件大小: 1463K
下载量: 647