线性稀疏自编码机_一种基于稀疏自编码器的电机故障诊断方法
一种基于稀疏自编码器的电机故障诊断方法王黎阳1,杜翀2,汪欣2,翟旭平1【摘要】在电机故障诊断研究领域,基于人工智能技术和现代信号处理方法相结合的故障诊断技术正逐步成为目前的研究热点。一般的模式识别方法往往对信号的数据采集和处理有较高要求,且往往因模型泛化能力有限而受到制约。为解决这一问题,提出一种基于稀疏自编码器的故障诊断方法,利用Hilbert包络谱信号训练稀疏自编码器,自适应将大数据的内在特
一种基于稀疏自编码器的电机故障诊断方法
王黎阳
1
,杜
翀
2
,汪
欣
2
,翟旭平
1
【摘
要】
在电机故障诊断研究领域,基于人工智能技术和现代信号处理方法相
结合的故障诊断技术正逐步成为目前的研究热点。一般的模式识别方法往往对
信号的数据采集和处理有较高要求,且往往因模型泛化能力有限而受到制约。
为解决这一问题,提出一种基于稀疏自编码器的故障诊断方法,利用
Hilbert
包络谱信号训练稀疏自编码器,自适应将大数据的内在特征提炼为简单的特征
函数,通过特征函数表达实现电机状况的智能诊断。实验结果表明,相比
BP(Back propagation
,
BP)
神经网络和支持向量机分类算法,本方法可快速、
有效地提高故障分类的准确度,对电机故障精准诊断具有重要意义。
【期刊名称】
《噪声与振动控制》
【年
(
卷
),
期】
2019(039)005
【总页数】
7
【关键词】
故障诊断;稀疏自编码;模式识别;特征提取
基金项目:中国科学院重点部署资助项目
(KFZD-SW-310)
在当前的电机领域中,航空发动机、永磁直流电动机、军用特种电机组等装备
正朝着自动化、智能化、高效化方向发展。建立可靠的故障智能诊断系统,保
障装备安全运行,避免事故发生显得愈发必要
[1]
。对电机进行实时的状态监测
与故障诊断,不仅可以保证电机的正常运转,而且能够及时发现问题并进行维
修,减少不必要的损失
[2]
。
在故障诊断研究中,普遍采用信号处理与模式识别相结合的诊断方法
[3]
,其中
特征提取和分类识别是故障诊断的核心技术。南京理工大学邢宗义团队提出了
更多推荐
所有评论(0)