引入自适应学习率的深度学习模型及其应用

作     者：杨望灿 张培林 孙也尊 吴定海 Yang Wangcan;Zhang Peilin;Sun Yezun;Wu Dinghai

作者机构：陆军工程大学石家庄校区河北石家庄050003 驻二四七厂军事代表室山西太原030009 

出 版 物：《华中科技大学学报（自然科学版）》 (Journal of Huazhong University of Science and Technology(Natural Science Edition))

年 卷 期：2018年第46卷第4期

页      面：18-24页

核心收录：

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080203[工学-机械设计及理论] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0802[工学-机械工程] 

基　　金：国家自然科学基金资助项目(51305454) 

主　　题：故障诊断 深度学习 深度信念网络 自适应学习率 行星齿轮箱 

摘      要：为了有效利用振动信号进行故障诊断,提出了一种基于自适应学习率的深度学习的行星齿轮箱故障诊断模型.针对深度信念网络（DBN）模型中学习率通常采用全局统一的常数型参数,提出了一种根据目标函数梯度的变化情况自适应调整学习率的DBN模型.采用学习率自适应调整的学习策略,能够加快DBN模型的迭代收敛速度,同时还能提高模型的识别准确率.将引入自适应学习率的DBN模型应用于行星齿轮箱故障诊断,直接通过原始振动信号实现行星齿轮箱健康状态的识别.实验结果表明：相比于其他特征提取、分类方法以及原始的DBN模型,提出的深度学习模型能够更有效地实现行星齿轮箱的故障诊断.