检索结果-南通市图书馆

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

在线全文

学校读者我要写书评

暂无评论

机床与液压 2020年第23期48卷 208-213页

作者：刘自然李谦颜丙生尚坤河南工业大学机电工程学院河南郑州450007

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特... 详细信息

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。

关键词：堆叠稀疏自编码深度神经网络滚动轴承故障诊断

在线全文

学校读者我要写书评

暂无评论

基于堆叠稀疏自编码的模糊C-均值聚类算法

计算机工程与应用 2015年第4期51卷 154-157页

作者：段宝彬韩立新谢进合肥学院数学与物理系合肥230601 河海大学计算机与信息学院南京211100

针对模糊C-均值聚类算法对孤立点、随机初始化的聚类中心比较敏感的问题,将堆叠稀疏自编码与传统模糊C-均值聚类算法相结合,对传统模糊C-均值聚类算法进行了改进。由于堆叠稀疏自编码可以提取原始数据集从低层到高层的特征,而高层的特... 详细信息

针对模糊C-均值聚类算法对孤立点、随机初始化的聚类中心比较敏感的问题,将堆叠稀疏自编码与传统模糊C-均值聚类算法相结合,对传统模糊C-均值聚类算法进行了改进。由于堆叠稀疏自编码可以提取原始数据集从低层到高层的特征,而高层的特征通常比原始数据集更能反映待聚类样本的本质特征,用其代替原始数据集进行聚类,有助于提高聚类的效果。利用改进后的算法在UCI的几个标准数据集上进行实验,结果表明改进后的算法是有效可行的。

关键词：堆叠稀疏自编码模糊C-均值聚类特征深度学习

基于堆叠稀疏自编码深度神经网络的软件老化识别

在线全文

学校读者我要写书评

暂无评论

高校实验室工作研究 2018年第3期 48-51页

作者：王子禁严家兴黄珊苏韦伟南京农业大学信息科技学院江苏南京210095

随着高校加大对教学科研的投入,很多实验室都购买了服务器。但是在使用过程中,不可避免的会出现软件老化现象,极大干扰了日常的教学与科研。基于深度学习强大的特征自提取能力,提出一种基于堆叠稀疏自编码深度神经网络的软件老化识别方... 详细信息

随着高校加大对教学科研的投入,很多实验室都购买了服务器。但是在使用过程中,不可避免的会出现软件老化现象,极大干扰了日常的教学与科研。基于深度学习强大的特征自提取能力,提出一种基于堆叠稀疏自编码深度神经网络的软件老化识别方法。该方法首先将实验采集到的软件性能数据划分为正常、中间态以及老化三种软件系统状态。随机选取其中的70%作为训练数据,用于训练网络的权值和偏置参数,根据训练出的参数确立最优分类模型,利用剩余的30%作为测试数据,验证该网络的有效性。实验分析表明,该方法具有较高的识别率,能够有效的应用于软件老化的识别。

关键词：软件老化深度学习堆叠稀疏自编码

网络流量异常检测方法:SSAE-IWELM-AdaBoost

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（理学版） 2020年第2期66卷 126-134页

作者：李小剑谢晓尧徐洋贵州师范大学贵州省信息与计算科学重点实验室贵州贵阳550001

针对传统入侵检测方法在高维海量数据且类别分布不均衡的环境下检测性能较差的问题,提出一种流量异常检测方法SSAE-IWELM-AdaBoost,该方法基于堆叠稀疏自编码网络(stacked spare auto encoder,SSAE)并融合改进加权极限学习机(weighted e... 详细信息

针对传统入侵检测方法在高维海量数据且类别分布不均衡的环境下检测性能较差的问题,提出一种流量异常检测方法SSAE-IWELM-AdaBoost,该方法基于堆叠稀疏自编码网络(stacked spare auto encoder,SSAE)并融合改进加权极限学习机(weighted extreme learning machine,WELM)。该方法首先使用堆叠稀疏自编码网络直接从原始流量数据中自动学习并提取特征,获取原始数据的低维抽象表示,然后以WELM作为集成算法(AdaBoost)的基础分类器,利用修改的训练样本权值分配规则和基分类器权值更新公式迭代训练基分类器,通过加权投票表决的方法得到最优强分类器完成网络攻击流量的识别。在UNSW-NB15数据集上进行仿真实验,实验结果表明,SSAE-IWELM-AdaBoost算法可以提高整体的检测精度以及小样本攻击的检测率,缩短分类器的训练时间,能较好地满足大规模网络环境下原始流量数据实时检测,对不均衡流量数据识别也具有较好的表现。

关键词：网络流量异常检测堆叠稀疏自编码加权极限学习机集成算法深度学习

基于VMD-样本熵和SSAE的齿轮故障诊断

在线全文

学校读者我要写书评

暂无评论

组合机床与自动化加工技术 2020年第8期 39-42,47页

作者：徐飞蒋占四黄惠中桂林电子科技大学机电工程学院广西桂林541004

针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition,VMD)和堆叠稀疏自编码(Stack sparse auto encoder,SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由... 详细信息

针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition,VMD)和堆叠稀疏自编码(Stack sparse auto encoder,SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量(Bandwidth limited intrinsic mode function,BLIMF),比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。

关键词：变分模态分解样本熵堆叠稀疏自编码齿轮故障

基于VMD和神经网络的旋转机械故障诊断研究

在线全文

学校读者我要写书评

暂无评论

基于VMD和神经网络的旋转机械故障诊断研究

作者：徐飞桂林电子科技大学

学位级别：硕士

随着旋转机械在工业中的应用愈发普遍和深入,其运行的关键零部件轴承和齿轮发生故障的可能性也在不断增加。基于振动信号的故障诊断是目前使用较普遍的方法,而其中的时频分析方法可以分析和处理非线性、非平稳信号,因而在实际中应用最... 详细信息

随着旋转机械在工业中的应用愈发普遍和深入,其运行的关键零部件轴承和齿轮发生故障的可能性也在不断增加。基于振动信号的故障诊断是目前使用较普遍的方法,而其中的时频分析方法可以分析和处理非线性、非平稳信号,因而在实际中应用最为广泛。传统的时频分析方法在分析非线性、非平稳信号时,存在着各自的不足。因此,本文对变分模态分解（Variational Mode Decomposition,VMD）存在的参数设定的不足提出优化,并将VMD用于时频分析,得到轴承、齿轮故障的时频表达。同时将VMD和神经网络相结合,研究了旋转机械在变转速条件和在复合情况下故障诊断的新方法。首先,介绍了VMD的理论。通过ECG信号和仿真信号,验证了VMD在抗噪方面、分解信号方面的性能。利用布谷鸟算法对VMD的参数进行了优化,并利用仿真信号和MFPT故障信号对优化后算法的性能进行了检验。其次,针对轴承的故障诊断,利用VMD在多分量信号的分解和多项式调频小波变换（Polynomial chirplet transform,PCT）在非线性信号时频表达方面的优势,提出了基于CS-VMD和PCT轴承故障诊断方法。通过对单一故障轴承、复合故障轴承及轴承全寿命故障数据的故障诊断,验证了所提方法的效果。然后,针对齿轮的故障诊断,通过对比,验证了瞬态提取变换（Transient-extracting transform,TET）在时频能量聚集性方面的优势。阐述了共振稀疏分解（Resonance Sparse Signal Decomposition,RSSD）的理论,利用其对齿轮信号进行稀疏分解,得到高频和低频分量。在此基础上,提出了基于CS-VMD和RSSD-TET的齿轮故障诊断方法,并通过实验验证。最后,介绍了堆叠稀疏自编码（Stacked sparse auto-encoder,SSAE）的原理。将VMD和SSAE相结合,利用样本熵作为特征指标,提出了基于CS-VMD-样本熵和SSAE的齿轮故障诊断方法。同时,重点研究了恒定转速轴承的定性、定量诊断,恒定转速轴承复合故障的诊断,变转速轴承的故障诊断及变转速轴承复合故障的诊断。提出了基于CS-VMD-样本熵和SSAE的恒定转速轴承定性、定量故障诊断方法,基于RSSD、CS-VMD-样本熵及SSAE的恒定转速轴承复合故障诊断方法,基于COT、CS-VMD-样本熵及SSAE的轴承变转速故障以及轴承变转速复合故障的诊断方法。通过实验验证了所提出方法的有效性。

关键词：变分模态分解多项式调频小波变换共振稀疏分解瞬态提取变换堆叠稀疏自编码故障诊断

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于压缩采集的轴承智能故障诊断方法研究

基于压缩采集的轴承智能故障诊断方法研究

作者：闫常弘燕山大学

学位级别：硕士

滚动轴承作为旋转机械结构的主要部件,广泛应用于设备传动系统中。为保证设备可靠运转,对轴承故障及时准确地诊断具有重要研究意义。目前基于时域振动信号,利用信号处理技术实现智能故障诊断是轴承状态监测的研究热点。本文在压缩感知(... 详细信息

滚动轴承作为旋转机械结构的主要部件,广泛应用于设备传动系统中。为保证设备可靠运转,对轴承故障及时准确地诊断具有重要研究意义。目前基于时域振动信号,利用信号处理技术实现智能故障诊断是轴承状态监测的研究热点。本文在压缩感知(CS)和深度学习研究成果的基础上,研究了压缩采集分别与堆叠稀疏自编码和稀疏滤波结合的两种轴承智能故障诊断方法。首先,针对传统轴承故障状态监测系统面临海量数据的压缩存储、信号处理计算成本和通信信道带宽需求增加等问题,研究了基于CS理论的轴承信号压缩采集方法,该方法可以从源头降低采集数据量,实现数据采集到信息采集的转变。通过对压缩观测值故障信息有效采集的分析,得出压缩采集能够有效获取并保留原信号的故障信息,为后续直接处理轴承振动压缩采集数据提供理论支持。其次,针对传统轴承故障诊断方法在处理海量数据时,存在特征提取效率低、主观性强及过度依赖先验知识等问题,提出了在不重构原信号的前提下,结合深度神经网络(DNN)的轴承智能故障诊断方法。该方法首先构建基于堆叠稀疏自编码的DNN模型;然后利用该模型的特征挖掘能力,直接对高信息含量的压缩观测值完成自适应的特征提取与故障诊断。实验结果表明,所提方法与传统轴承故障诊断方法相比,能够对不同轴承故障类型实现准确有效的诊断识别。最后,针对DNN模型存在可调参数过多及训练时间复杂度高等问题,提出了结合稀疏滤波和特征降维的轴承智能故障诊断方法。该方法首先利用稀疏滤波模型对压缩采集数据进行特征提取;然后采用近邻保持嵌入算法完成特征降维处理;最后利用分类器实现故障类型的识别与诊断。实验结果表明,结合稀疏滤波和特征降维的方法可以有效的提升最终识别准确率,且与结合DNN方法相比,能够大幅降低模型训练时间与周期。

关键词：轴承故障诊断压缩感知深度学习堆叠稀疏自编码稀疏滤波

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

滚动轴承微弱故障信号特征提取与识别研究

滚动轴承微弱故障信号特征提取与识别研究

作者：周子贤南京信息工程大学

学位级别：硕士

随着机械设备不断向集成化和复杂化发展,为了同时保证加工效率与产品质量,故障检测技术也需要与时俱进。滚动轴承在机械设备中应用广泛,任何微小的损伤都可能对整个设备造成影响,及早发现滚动轴承故障并修复,能够有效降低安全隐患与经... 详细信息

随着机械设备不断向集成化和复杂化发展,为了同时保证加工效率与产品质量,故障检测技术也需要与时俱进。滚动轴承在机械设备中应用广泛,任何微小的损伤都可能对整个设备造成影响,及早发现滚动轴承故障并修复,能够有效降低安全隐患与经济损失。因此,对滚动轴承早期故障诊断技术进行研究尤为重要。轴承微弱故障信号特征易受噪声和人为干扰等因素影响,无法直接进行轴承的状态识别。故本文为了准确掌握滚动轴承的工作状态,从特征提取与模式识别两个方面进行了研究。首先提出了自适应部分集成局部特征尺度分解(Adaptive Partly-ensemble Local Characteristic-scale Decomposition,APLCD)与小波包变换(Wavelet Package Transform,WPT)结合的APLCD-WPT方法,以及自适应遗传随机共振(Adaptive Genetic Stochastic Resonance,AGSR)方法用于提取滚动轴承早期微弱故障特征。APLCD-WPT算法利用APLCD将振动信号自适应的分解为多个内禀尺度分量(Intrinsic mode component,ISC),每个ISC分量分别代表原信号不同频段的特征,再利用WPT修正ISC分量模态混叠的问题;AGSR利用遗传算法并行优化随机共振系统的多个参数,能够自适应筛选出与输入信号最匹配的系统参数,从而能够精确提取故障特征。文章还引入深度学习方法,利用堆叠稀疏自编码(Stacked Sparse Autoencoder,SSAE)对提取的特征进行模式识别,实现滚动轴承早期故障的智能诊断。SSAE网络由自动编码器(Autoencoder,AE)堆叠而成,使用多个自动编码器逐层训练网络,能够从海量数据中自适应的学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入Softmax分类器判断滚动轴承健康状况。本文通过APLCD-WPT算法与LCD等特征提取方法比较,表明APLCD-WPT在抑制模态混叠、提高特征提取的精确性上具有一定优越性。而AGSR算法由于使用遗传算法进行参数调优,特征提取效果也优于传统的随机共振方法。此外,将APLCD-WPT与AGSR提取的特征制作样本用于SSAE网络训练,在实验中,通过调整AE层数、隐藏层节点数与学习率等参数,寻找最优的网络模型,最终实现高效智能的滚动轴承早期故障诊断。

关键词：滚动轴承微弱故障诊断局部特征尺度分解随机共振堆叠稀疏自编码