基于拉普拉斯特征映射和深度置信网络的半监督故障识别

作     者：张鑫 郭顺生 李益兵 江丽 ZHANG Xin;GUO Shunsheng;LI Yibing;JIANG Li

作者机构：武汉理工大学机电工程学院武汉430070 武汉理工大学湖北省数字制造重点实验室武汉430070 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2020年第56卷第1期

页      面：69-81页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：湖北省自然科学基金(2019CFB565) 中央高校基本科研业务费专项资金(2018IVA022) 国家自然科学基金(51705386,51705385) 湖北省科技支撑计划(2015BAA063、2014BAA032)资助项目 

主　　题：拉普拉斯特征映射 深度置信网络 半监督 故障诊断 

摘      要：针对机械设备故障诊断过程中有标签样本不足,结合流形学习与深度学习的思想,提出了基于拉普拉斯特征映射(Laplacian eigenmap,LE)和深度置信网络(Deep belief network,DBN)的半监督故障识别模型。该模型运用LE算法直接对原始高维振动信号进行特征提取,将低维流形特征输入DBN,利用少量昂贵的有标签样本和大量廉价的无标签样本,二次挖掘故障特征,并构建Soft-max分类器最终识别出机械设备的故障模式。将该半监督模型应用于轴承故障和齿轮裂纹的识别中,试验结果表明,LE算法有效降低了模型的时间复杂度,增强了特征提取的智能性,提高了诊断效率;DBN网络可以充分挖掘故障特性,得到更好的特征表示,提高了分类精度。此外,该模型在不平衡的训练标签下也实现了很好的诊断效果,且适用于多传感器特征融合的诊断,具备实际应用的价值。