文摘

本文提出了一种基于模型去噪堆放autoencoders (sda)的深度学习和自适应关联自动传播(手中)轴承故障诊断。首先,sda直接用于提取潜在的故障特性和降低高维度3。证明sda的特征提取能力比堆放autoencoders(节约),主成分分析(PCA)是用来比较和降低维度,除了最后一个隐藏层。因此,提取的三维特征选择作为改编电影的输入集群模型。相对于其他传统的集群方法,如模糊均值聚(FCM) Gustafson-Kessel(门将),Gath-Geva (GG),和亲和力传播(美联社),聚类算法可以识别故障样本没有集群中心数量的选择。然而,美联社需要设置两个关键参数根据手册不同阻尼因子和偏差parameter-before计算。为了克服这个缺点,改编电影介绍了。改编电影聚类算法可以找到可用的参数根据适应度函数自动。最后,实验结果证明sda与改编电影比其他模型,包括SDAE-FCM /星期/ GG根据集群评估指数(轮廓)和分类错误率。

1。介绍

作为机械系统的关键部分电气设备的微型智能电网"网络,轴承的运行状况关系到整个设备的操作(1- - - - - -4]。处理和分析是一项重要的基础评价电气设备的健康状况的微型智能电网"网络。使用振动信号进行故障诊断已成为近年来常见。

非线性和非平稳的信号,各种特征提取和诊断方法不断发展;时间和频率指标,小波变换(WT)和经验模态分解(EMD)是常用的故障特征提取,取得了明显成效。然而,不同的时频域指标和小波变换(WT)不能自适应分解振动信号,因为不同的振动信号有不同的工作频带。因此,EMD算法作为一种自适应的信号分解为固有模式函数(货币)基于当前包络信号的均值(5]。克服的缺点,如由噪声引起的EMD mode-mixing问题,一个叫“集成经验模态分解的模型(EEMD)首次提出是在6]。许多学者已经在故障诊断应用EEMD [7,8]。然而,这些传统方法高度依赖人工经验和先验知识,如选择可用的时间频率指标和小波基函数,并且他们还需要整合几个可用的模型故障特征提取。

越来越多的学者专注于深度学习在故障诊断由于其强大的自动提取功能。例如,许多研究采用堆叠autoencoders(节约)自动提取功能和故障诊断和成功9- - - - - -13]。然而,大多数的这些论文考虑节约与分类器和数据标签完成故障诊断。然而,获得的数据从不同的实际工程平台包含噪声,比如语音数据和实践工程中振动信号。增强节约的鲁棒性,堆放去噪autoencoders (sda)创建14,15]。与节约相比,sda介绍人工噪声和一些输入数据随机零重建原始的输入数据。此外,sda已经广泛应用于许多领域(16- - - - - -18]。因此,sda是利用直接从频域提取轴承故障特征信号,减少人工经验的依赖。

此外,标记数据标签需要大量的劳动力和丰富的实验工程在处理大量数据。因此,不需要人工经验或先验知识的故障类型和故障标签使用sda没有一个输出层。

自动识别不同的故障类型,集群模型是用来完成故障诊断没有数据标签。模糊C-mean (FCM)是一种常用的模型在故障诊断19]。在FCM,计算样本之间的距离,欧几里得距离通常是使用;因此,它只能用于数据与球形分布。实际上,许多数据集没有这样的特征。为了解决这个问题,Gustafson-Kessel (GK)聚类算法(20.功能一个目标函数基于协方差矩阵和适用于数据集的聚类分析变量之间的相关性(21]。然而,FCM和门将方法仍然是针对数据集与球面形状,而Gath-Geva (GG)聚类方法计算任何两个相邻数据点之间的距离通过使用最大似然距离,已成功应用于滚动轴承故障的诊断(22,23]。在[24,25),作者用EEMD和GG完成轴承故障诊断。

然而,上述所有的集群模型需要预设集群数据通过手工计算之前的经验。亲和力传播(美联社)聚类算法可以自动查找相应数量的集群。美联社不断执行消息传递和迭代循环生成K高质量的集群,它使用能量函数最小化集群,并将每个数据点分配给最近的集群(26]。实际上,有两个关键的参数偏差参数p和阻尼系数林——美联社集群模型。一位研究人员(26)推荐设置p的中值p米样品没有先验知识在开始阶段。然而,有时p米不能诱导AP算法生成可用集群因为数量p米不是选择的基础数据集的聚类结构本身。当AP算法(即振荡。,the number of clustering classes generated during the iteration is constantly oscillating) and cannot converge, increasing 可以消除振荡,但 振荡时必须手动增加,再次运行该算法在算法是收敛的。是设置的方法 直接接近1,以避免振荡,但可靠性和可用性更新慢,算法运行缓慢。因此,王等人开发了一个模型命名自适应亲和力传播(手中),以找到最好的集群根据集群评价指标(轮廓)27]。改编电影扫描偏差参数空间寻找集群数量空间来找到合适的集群,它调整削弱了振荡的阻尼因子和自适应逃逸振荡阻尼因子方法失败时的技术。

因此,一个方法基于sda和改编电影提出了轴承故障诊断的研究。下一节中给出的主要属性是:(1)不同于传统的多步融合故障诊断方法和基本SDAE模型,这需要对故障分类数据标签,sda没有一个输出层故障特征的提取是利用直接从频域和削弱依赖人工经验的数据标签。(2)很少有报道的文学改编电影应用于轴承故障诊断模型。(3)证明该模型的提取特性性能(SDAE-adAP),分类精度和轮廓用于演示改编电影在抑制其他模型的性能,如FCM /星期/ GG。

本文的其余部分组织如下。部分2包含一个对SAE。实验数据和详细的程序部分中给出3。比较分析实验部分中描述4,部分5总结了纸。

2。回顾sda和改编电影

2.1。在去噪Autoencoders
2.1.1。Autoencoders

Autoencoders (AEs)包括编码器和解码器28]。基本结构如图1。


图1
AE的网络结构。

编码器用于输入映射到隐层和获得一个新的非线性提取隐藏功能z通过使用以下方程: 在哪里 ,N样品数量,n表示每个样本的长度, 代表矩阵用于连接的连接和原始输入数据lth隐藏层,年代标志着乙状结肠活动函数 ,和b偏差项。

译码器是利用地图和重构提取的隐藏功能z接近于原始输入x。上面的程序计算 在哪里 是乙状结肠函数。施工误差计算 和J可以替代以下成本函数: 在哪里 在神经节点号码lth隐层;λ是一种正则化系数。

2.1.2。去噪Autoencoders

去噪autoencoders(拓扑)混合训练数据的噪声随机设置为0(数据)和删除噪声得到重建的输出数据。在销毁数据,拓扑实现更好的描述输入数据和提高整个模型的鲁棒性。DAE的结构如图2。


图2
DAE的结构。

在图2,x表示原始输入数据和 代表了摧毁了输入数据根据去噪P,y提取的特征获得来自哪里 通过使用乙状结肠功能,z表示输出。拓扑和AEs的区别在于拓扑摧毁输入数据通过去噪P来 。重建的输出之间的误差z和原始的输入x1是

因此,成本函数方程(4)和(5)可以写成

2.1.3。在去噪Autoencoders

SDAE概念提出了由文森特(14,15]。SDAE的核心思想是将噪声添加到每个编码器的输入数据。因此,一个更健壮的特性表达式是可以习得的。图3显示SDAE的结构。sda的学习过程可以分为两个步骤。


图3
SDAE结构。

第一个是贪婪的逐层sda利用未标记样本的学习。具体过程如下:假设隐藏层的总数l,将原始数据输入DAE的第一层,并执行无监督培训获得的参数W(1)第一个隐藏层。在每个步骤中,训练后(l−1)th层被选中作为输入训练lth隐层获得W(l),每一层的重量训练。第二,重建误差减少了反向传播方法,这也是利用更新参数,使网络收敛。

在反向传播误差的计算过程中,需要计算出残余δ每个隐藏层。对于每一个输出节点我,δ计算如下: 在哪里 表示的输出lth隐藏层。

使用方程(8)和(9)SDAE网络。

每个隐层的调整参数,使用以下方程: 在哪里 是学习速率。

应该提到的输入x是归一化在SAE和SDAE培训;因此,在每个隐层输出范围应该是[0,1]。此外,乙状结肠函数的输出范围是[0,1]。乙状结肠函数的曲线[0,1]之间的不断变化。因此,我们选择了乙状结肠函数作为活动的功能。此外,重建误差不是所有训练数据计算;相反,在每个迭代中,某些训练数据的重建误差是由随机梯度下降法随机优化模型。因此,每一轮的参数的更新速度大大加快。因此,梯度下降优化模型是用于更新重量参数 和偏见项b在这篇文章中。

2.2。改编电影聚类模型

美联社算法工作N×N相似度矩阵年代组成的N数据点和中心点作为所有样本集群候选人在开始阶段(26]。有一些紧簇在特征空间,和功能 一个集群代表任何一个数据点之间的相似性和和集群中心。的计算 如下: 在哪里K表示集群数量, 表示我th集群中心, 代表每一个点之间的距离和相应的集群中心点。的负面价值任何相邻两个点之间的距离被认为是吸引的程度或归因,kth点越接近数据更具吸引力我th点,数据点我同意kth点有一个更大的归属感集群中心。因此,kth集群中心更具吸引力的其他数据点,和成为一个集群中心的可能性会更大。

美联社算法不断从数据收集相关证据,选择可用的类表示:美联社用途R(我,k)来描述数据点的程度k适用于集群中心的数据点吗我。一个(我,k)归因的程度,用于描述数据点的程度我选择数据点k作为集群中心点。文献[27]表明越大R和一个值的数据点k将概率越大,数据点k成为集群中心。

美联社算法生成k高质量的集群类通过迭代循环和能量函数最小化的集群类。最后,它将每个数据点分配给最近的簇类。

(即有两个关键参数。偏差参数p和阻尼因子 )美联社。偏差参数p(我)(通常是一个负数)代表了数据点的程度我成为集群中心。

正如上面提到的,R(我,k),一个(我,k可以计算)

从方程(11)和(12),当p(k)大,R(k,k),一个(我,k)也变得更大;因此,类表示k作为最终集群中心。当p(我)是更大、更集群类表示最终集群中心。因此,增加或减少p影响聚类的数目。作者推荐设置p来p米(代表所有元素的中值年代在开始阶段没有先验知识(26]。然而,在许多情况下,p米不能使AP算法产生最优聚类结果因为的设置p米不是基于数据集的聚类结构本身。当AP算法(即振荡。,the number of clustering classes generated during the iteration is constantly oscillating) and cannot converge, increasing 可以消除振荡。振荡时,必须手动增加 并重新运行该算法在算法是收敛的。是设置的方法 直接接近1,以避免振荡,但R(我,k),一个(我,k)更新慢,算法运行缓慢。

为了克服上述缺点,改编电影搜索空间集群数量通过扫描偏差参数空间找到最优聚类结果(称为自适应扫描)和调整阻尼因子 消除振荡(称为自适应阻尼),从而降低了p价值逃脱脑震荡(称为自适应逃逸)。

改编电影的目的是消除振动和振荡发生时快速算法。尽管它更有可能增加 接近1消除振荡,大 是,越慢R和一个在方程(11)和(12)和更新,和更多的迭代算法需要实现时更新效果 从0.6开始。

自适应调整阻尼因子技术设计如下:(1)美联社算法执行一个循环来检测是否发生振荡。(2)如果有振荡,增加 例如,由一个步骤(0.05);否则,继续步骤1。(3)继续 周期(后看效果 周期)。(4)重复上面的步骤,直到算法达到停止条件。

如果增加 (例如, 增加到0.85或更高版本)未能抑制振荡,应该设计一种自适应逃逸技术避免振荡。事实上,大 几乎没有效果表明,振荡持续在给定的p另一种选择是减少p从给定的值逃离振荡。这个逃生方法是合理的,因为它的自适应扫描工作p下面讨论不同于美联社,在一个固定的工作p。自适应逃逸技术设计如下:当发生振荡 ≥0.85在迭代过程中,p逐渐减少,直到振荡消失。这种技术在步骤2中添加自适应阻尼的方法:如果发生振荡,增加林由一个步骤(如0.05);如果 ≥0.85,下降p一步 。否则,去自适应阻尼方法的第一步。自适应阻尼和自适应逃逸技术用于同时消除振荡。监控窗口大小 = 40按我们的经验是适当的(但是偶尔,随机振动和宽容的振动在初始迭代可以捕捉到太小了 ,和美联社下运行缓慢 值太大)。自适应阻尼和自适应逃逸的伪代码所示菅直人等的工作。28)(麦克斯特和ps将在以下步骤)。

使算法快速、偏见的设计参数p如下。

该算法从给定的初始p,每个迭代循环过程的更新R和一个(但相似性矩阵年代是固定的);如果循环过程收敛于某个集群数量K在步 方式,逐步减少p,也就是改变p(我)的对角线上年代——重复相同的循环过程来获取不同的K。为了避免重复计算,使用电流R和一个每次减少值p作为一个新的起点上,继续计算R和一个。自适应扫描技术p被设计为在这一节中解释。

的加速技术p减少设计如下:(1)美联社算法迭代执行检查的数量是否收敛于集群类K。如果是的,转到第2步。否则,b= 0;重复步骤1。(2)检查是否收敛于聚类类的数量K和b< ;如果是,数b=b+ 1。

否则,步骤1。

如果(3) ,步骤2。

自适应的伪代码p扫描技术文献[所示28]。

3所示。实验设置

3.1。实验数据

四个基本错失——是,正常(NR),球断层(BF),内套故障(IRF)和外环故障(ORF)则来自一个马达驱动电源设备(29日]。采样频率是12 KHz。故障直径0.18毫米,0.36毫米和0.54毫米。数据显示在表的详细信息1。每个样本包含2048点,和50个样本都包括在不同条件下;因此,500年用于训练和测试样本。请注意,两个数据集(A和B)被用于这项研究。每个数据集包含九个故障类型在不同工作条件下。对于每个数据集,300个样本在不同条件下被选为训练数据集,剩下的200个样本构成测试样本。

表1
不同工作条件下的实验数据。在这里,“1”,“2”和“3”表示故障直径0.18毫米,0.36毫米,0.54毫米,分别。
3.2。评价指标

通过搜索类数空间,改编电影可以输出一些聚类结果与各种集群数据。因此,聚类有效性方法可以用来评估性能的聚类结果。在众多有效性指标,轮廓指数被广泛使用,因为它明显的集群结构评估能力。轮廓指数显示集群的组内的密封结构和类可分性(30.]。因此,轮廓指数为例来解决最优聚类结果。

一个数据集分为K集群 一个(t)是样本之间的平均距离t和其他样品在集群中 ,和 表示样本之间的平均距离t集群中所有的样品 。然后, 。因此,轮廓指数样本计算的

很容易计算出平均值 所有样品的一个集群 。它反映了集群的紧张 (如集群内的平均距离)和可分性(如最低年级之间的距离)。平均值 通过使用整体样本 能反映聚类结果的质量。

一系列的轮廓索引值的聚类结果,值越大,聚类质量就越好。集群的数量对应于最大的价值是最优簇数,和相应的聚类结果也最优(31日]。的轮廓值聚类结果超过0.5表示,每个集群可以分离(31日]。

3.3。程序提出的模型

该方法的详细过程包含三个部分:(1)数据预处理,特征提取(2),(3)故障诊断:(1)数据预处理:快速傅里叶变换(FFT)是利用变换原始信号从时域到频域FFT运算后由于系数矩阵是对称的。因此,一半的系数矩阵用于SAE和SDAE培训和测试。所有输入数据归一化到[0,1]。(2)特征提取:由于原始数据的维数很高,不能可视化,PCA用于降低特征维度在每个隐层比较SAE和SDAE特征提取性能。注意,提取的特征向量维数是3在最后隐层不主成分分析操作。(3)故障诊断:培训SAE和SDAE后,三维特征向量作为输入FCM的门将,GG,手中故障识别。来验证提出的集群性能SDAE-adAP比其他模式,如SAE / SDAE-FCM /星期/ GG,聚类评价指标(即SAE-adAP。轮廓)是用来评估集群性能结果。此外,准确性也用来比较不同模型的识别性能。具体过程如图4。


图4
该模型的过程。

4所示。故障诊断和比较分析

4.1。对不同的振动信号特征提取

首先,原始振动信号如图5。见图5区分所有信号并不容易。BF、IRF ORF信号规律性,而所有NR信号没有明显的周期性规律,因为他们是随机振动,和他们的自相似性差。与NR信号不同,BF、IRF和固定振动周期的开放框架振动信号包含一些独特的频段,和NR的自相似性高于信号。特别是,当内圈是固定的,与轴承外圈旋转,振动规律的男朋友变得更加清晰的信号。因此,高炉、IRF ORF振动信号具有很强的周期性规律,但它仍然是不容易识别这些故障振动信号。有效地提取有用的故障特征和识别这些不同的信号,利用FFT变换振动信号由于频域信号包含有用的故障信息(9];在这里,BF2信号作为一个例子。FFT BF2图所示的结果6。如右边的两个subfigures图6,男朋友的工作频率主要突出形式0赫兹到150赫兹,BF信号工作频率是58赫兹;因此,故障频率主要突出58赫兹和倍频(117.2赫兹)。因此,这些结果证明频域信号随后包含有用的故障信息。

(一)
(一)
(b)
(b)
图5
原始信号在各种工作条件。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图6
BF2 FFT结果通过使用不同的数据集;的单位x设在第二。(一)原始signal-dataset A-BF2。(b) domain-A-BF2频率。(c)原始signal-dataset B-BF2。(d) domain-B-BF2频率。

系数矩阵通过八个隐藏层用于特征提取。一些参数在SAE和SDAE应设置在培训之前,如输入大小、学习速率、去噪速度,在每个隐层神经节点总数。

每个原始样品的长度是2048分。每个样本FFT变换后的频域系数是对称的;因此,每个输入样本的长度SDAE转换到1024。此外,隐层采用三角形结构,在接下来的相邻的隐层节点的数目是前面的隐层的一半。因此,在第一个隐层节点的数目是512。神经在第一个选择八个隐藏层节点数在512年,256年,128年,64年,32岁,16日8日和3。然后,前三个主成分(pc)选择主成分分析的故障特征数据可视化和相比SAE和SDAE特征提取能力。

因为大部分信息去噪时丢失的概率p变得太大,SDAE将生成一个高错误率。作者认为参数p通常是低于0.5 (32,33]。p设置为0.15。

如果学习速率过高,重建误差的收敛速度快,但很容易陷阱当地最佳点。然而,如果学习速率太小,SAE和SDAE模型将表现出缓慢收敛(34- - - - - -41]。的学习速率 在方程(8)是0.1,本研究最大的迭代号码是3000。

不同数据集的三维结果为训练数据集通过八个隐藏层使用SDAE / SAE和PCA降维在不同条件下所示的数字7和8。在图7,“SAE - - 512训练数据”意味着512年神经节点存在于第一个隐层通过SAE和数据集,如图8,各种故障样本分离隐藏层数量的增加。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
(左)
(左)
(m)
(m)
(n)
(n)
(o)
(o)
(p)
(p)
图7
不同数据集的三维结果为训练数据集通过八个隐藏层使用SAE PCA降维;1 - 8表示隐藏的层数。(一)sae - - 512训练数据。(b) sae - b - 512训练数据。(c) sae - - 256训练数据。(d) sae - b - 256训练数据。(e) sae - - 128训练数据。(f) sae - b - 128训练数据。(g) sae - - 64训练数据。(h) sae - b - 64训练数据。 (i) SAE-A-32-training data. (j) SAE-B-32-training data. (k) SAE-A-16-training data. (l) SAE-B-16-training data. (m) SAE-A-8-training data. (n) SAE-B-8-training data. (o) SAE-A-3-training data. (p) SAE-B-3-training data.
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
(左)
(左)
(m)
(m)
(n)
(n)
(o)
(o)
(p)
(p)
图8
不同数据集的三维结果为训练数据集通过八个隐藏层使用一个SDAE PCA降维;1 - 8表示隐藏的层数。(一)sdae - - 512训练数据。(b) sdae - b - 512训练数据。(c) sdae - - 256训练数据。(d) sdae - b - 256训练数据。(e) sdae - - 128训练数据。(f) sdae - b - 128训练数据。(g) sdae - - 64训练数据。(h) sdae - b - 64训练数据。 (i) SDAE-A-32-training data. (j) SDAE-B-32-training data. (k) SDAE-A-16-training data. (l) SDAE-B-16-training data. (m) SDAE-A-8-training data. (n) SDAE-B-8-training data. (o) SDAE-A-3-training data. (p) SDAE-B-3-training data.

在图8肉眼,最后两个subfigures只显示一个图形,如“BF3。“然而,在前前七隐藏层,与SAE相比,当隐藏层的数量增加,SDAE特征提取能力变得更强。与SDAE-A-2训练数据,BF2样品看起来只有一个样本在肉眼层。

4.2。通过使用adAP-Training数据集故障诊断

改编电影聚类的结果如图所示9。下行大步的选择 是改编电影的关键。越小 是,在算法运行的更慢。相反,越大 是,越有可能成为集群的数量反映了内在的集群结构数据集将错过。固定步很难适应不同情况下的大型和小型集群。因此,自适应调整技术下降了 如下: 在哪里 。因此,该算法可以动态调整问当生成K集群来实现一个更小的步长时K更大或更小的步骤当吗K更小。当聚类N数据点,这通常被认为是合理的上限优化集群的数量的平方根N(35]。当最初的p=p米/ 2,集群的类的数量K起初,该算法收敛可以达到或超过 。然而,集群AP算法搜索的数量多 (因为每个数据点都是在算法)的开始。对于集群类,可以设置为初始值p=p米/ 2。最小数量的集群2决定的下界p,减少p直到集群数量K=2。为了防止迭代的最大数量影响算法是否到达K=2,最大迭代次数 是固定的50000在这个研究。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图9
三维聚类结果为训练数据集通过使用SAE / SDAE手中。(一)SAE-A-training data-adaptive美联社。(b) SAE-B-training data-adaptive美联社。(c) SDAE-A-training data-adaptive美联社。(d) SDAE-B-training data-adaptive美联社。

上述参数预配置后,选择三维特征作为故障诊断的改编电影的输入。训练数据集的三维聚类结果A和B使用SAE / SDAE手中图所示9。(1)在图9集群中心,象征“CC”表示点。BF2样品有两个集群点,钻石象征表示BF2示例使用数据集a .第三subfigure所有BF2样品只有一个集群中心点。(2)从图9,所有样品在第三和第四subfigures分离,他们非常接近其集群中心点。每个集群类之间的分工是非常明确的。例如,BF3和IRF3样品分离通过使用一个数据集的SDAE B在第四subfigure图9。因此,这些分散点容易导致生成多个点或额外的集群中心。

这些结果表明,鲁棒性和sda的特征提取能力比节约。此外,改编电影可以找到集群自动中心点。

能量函数的结果 通过使用一个SDAE训练数据集如图10。见图10,有明显的振荡曲线在130年第一次迭代。增加的价值林在以下步骤中逐渐使曲线稳定,就是明证的最大价值的事实 当集群数量是9。实际上,参数林增加0.7当迭代的数量是101,但是曲线也有一个随机振荡。然后,林增加到0.75时,曲线变得稳定的从131年开始。随着迭代次数的增加,价值林变得比以前的迭代。


图10
能量函数的结果对所有样品(相似)。

因此,最好的集群数量是9。在方程(群集索引(轮廓)13)也用于评估聚类的结果。轮廓指数的结果用不同的数字集群使用SAE / SDAE改编电影(训练集)是显示在表中2。(1)从表2最大的价值是0.954使用SDAE数据集当集群数量是9,但对SAE用于数据集,最大的价值为0.694,小于0.954。应该注意的是,集群的数量是10,不是9,因为SAE生成一些散射点,比如BF3图9。这个结果导致额外的集群中心的一代点相同的故障样本。(2)虽然在SAE最好的集群数量是9,这是相同的数据集的SDAE B,而轮廓的最大价值指数是0.889。因此,SDAE的特征提取能力超过了SAE,自动和改编电影可以找到可用的参数。分类精度最好使用集群数量如表所示3。数据集的分类错误率最低是0%使用SDAE的分类错误率SDAE低于SAE。

表2
轮廓指数的结果用不同的数字集群使用SAE / SDAE改编电影(训练数据集)。在这里,“-”意味着没有集群数量等于10,11或12。
表3
最好的集群数量和分类结果误差精度的最大轮廓索引值通过使用不同模型(训练数据集)。
4.3。与FCM相比,门将,GG

进一步证明该模型(SDAE-adAP)比SAE / SDAE-FCM /星期/ GG, A和B的训练数据集的三维聚类结果通过使用SAE / SDAE FCM /星期/ GG数据所示11和12。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图11
训练数据集的三维聚类结果通过使用SAE / SDAE FCM /星期/ GG。(一)SAE-FCM-A。(b) SAE-GK-A。(c) SAE-GG-A。(d) SDAE-FCM-A。SDAE-GK-A (e)。SDAE-GG-A (f)。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图12
训练数据集的三维聚类结果与FCM B使用SAE / SDAE /星期/ GG。(一)SAE-FCM-B。(b) SAE-GK-B。(c) SAE-GG-B。(d) SDAE-FCM-B。SDAE-GK-B (e)。SDAE-GG-B (f)。

与SAE相比,大部分的样品分离好,接近SDAE的中心点。虽然一些样品展示一个重叠phenomenon-especially IRF1 BF1图(11日)这些样品通过使用SDAE分离良好。分类精度通过使用不同的组合模型对训练数据集A和B是显示在表中4。数据集的错误率最低是0%,和该模型的错误率最低SDAE-adAP低于其他组合模型,包括SAE / SDAE-FCM /星期/ GG和SAE-adAP。

表4
错误分类精度通过各种模型(训练数据集)。
4.4。通过adAP-Testing数据集故障诊断

测试数据集用于测试性能模型。与训练数据集,通过几个隐藏层的特征提取过程在SAE和SDAE数据所示13和14。见数据13和14,所有的测试样品在最后一个隐层分离,如ORF2样本。所有的ORF2样品看起来像个广场使用SDAE图乍一看14,而他们分散在SAE在图13。尤其是在图14,所有的样品,包括NR和其他故障样本,当分离隐藏层的数量增加。下一步是选择提取的三维特征作为输入故障诊断的手中。测试数据集的三维聚类结果通过使用SAE / SDAE手中图所示15。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
(左)
(左)
(m)
(m)
(n)
(n)
(o)
(o)
(p)
(p)
图13
不同的测试数据集的三维结果数据集通过八个隐藏层使用SAE PCA降维;1 - 8表示隐藏的层数。(一)sae - - 512测试数据。(b) sae - b - 512 -测试数据。(c) sae - - 256测试数据。(d) sae - b - 256 -测试数据。(e) sae - - 128测试数据。(f) sae - b - 128 -测试数据。(g) sae - a - 64的测试数据。(h) sae - b - 64 -测试数据。 (i) SAE-A-32-testing data. (j) SAE-B-32-testing data. (k) SAE-A-16-testing data. (l) SAE-B-16-testing data. (m) SAE-A-8-testing data. (n) SAE-B-8-testing data. (o) SAE-A-3-testing data. (p) SAE-B-3-testing data.
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
(左)
(左)
(m)
(m)
(n)
(n)
(o)
(o)
(p)
(p)
图14
不同的测试数据集的三维结果数据集通过八个隐藏层使用一个SDAE PCA降维;1 - 8表示隐藏的层数。(一)sdae - - 512测试数据。(b) sdae - b - 512 -测试数据。(c) sdae - - 256测试数据。(d) sdae - b - 256 -测试数据。(e) sdae - - 128测试数据。(f) sdae - b - 128 -测试数据。(g) sdae - a - 64的测试数据。(h) sdae - b - 64 -测试数据。 (i) SDAE-A-32-testing data. (j) SDAE-B-32-testing data. (k) SDAE-A-16-testing data. (l) SDAE-B-16-testing data. (m) SDAE-A-8-testing data. (n) SDAE-B-8-testing data. (o) SDAE-A-3-testing data. (p) SDAE-B-3-testing data.
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图15
测试数据集的三维聚类结果通过使用SAE / SDAE手中。(一)SAE-A-testing data-adaptive美联社。(b) SAE-B-testing data-adaptive美联社。(c) SDAE-A-testing data-adaptive美联社。(d) SDAE-B-testing data-adaptive美联社。

见图15,有10个集群中心点(红场点),但集群的实际数量是9,而不是10。此外,所有样品分离显然SDAE和分散在集群中心点,像数据13和14。相应的轮廓指数的结果用不同的集群数据通过使用SAE / SDAE改编电影(测试数据集)表中列出5。在表5轮廓索引值的最大的值是0.9167和0.9014使用SDAE B数据集,数据集,分别,这都是高于SAE的最大的价值(数据集:0.6815;数据集B: 0.7424)。轮廓的价值指数的SDAE大于SAE。

表5
轮廓指数的结果用不同的数字集群使用SAE / SDAE改编电影(测试集)。

最好的集群数量和分类结果误差精度的最大轮廓索引值通过使用不同模型(测试集)如表所示6。在表6的最小值是2.22% SDAE模型与数据集对数据集,它是使用SDAE时4.44%。因此,这些结果的鲁棒性和特征提取能力证明SDAE抑制SAE。此外,改编电影可以找到可用的集群自动数字本身。训练数据集的三维聚类结果A和B在使用SAE / SDAE FCM /星期/ GG数据所示16和17。与SAE相比,大部分的样品分离好,接近SDAE的中心点。虽然一些样品展示一个重叠的现象,尤其是IRF1和BF1图(11日),这些样品是分开使用SDAE。分类精度通过使用不同的组合模型训练数据集表A和B所示7。最低的误差与数据集B在SDAE率是2.78%,其他组合模型是一样的,包括SAE / SDAE-FCM /星期/ GG和SAE-adAP。SAE-adAP高于SAE-GG数据集B,但改编电影可以找到可用的自动聚类中心点。

表6
最好的集群数量和分类结果误差精度的最大轮廓索引值通过使用不同模型(测试集)。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图16
测试数据集的三维聚类结果通过使用SAE / SDAE FCM /星期/ GG。(一)SAE-FCM-A。(b) SAE-GK-A。(c) SAE-GG-A。(d) SDAE-FCM-A。SDAE-GK-A (e)。SDAE-GG-A (f)。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图17
测试数据集的三维聚类B使用SAE / SDAE与FCM /星期/ GG。(一)SAE-FCM-B。(b) SAE-GK-B。(c) SAE-GG-B。(d) SDAE-FCM-B。SDAE-GK-B (e)。SDAE-GG-B (f)。
表7
通过各种模型误差分类精度(测试集)。

5。结论

方法基于一个SDAE和改编电影提出了轴承故障诊断研究。减少依赖手工实验标签数据,我们使用了一个SDAE没有故障特征的提取有用的输出层直接从频域利用FFT分解。此外,在美联社找到可用的参数,我们介绍了轴承故障诊断的手中。结果表明,该模型抑制其他模型的性能,如SAE / SDAE-FCM /星期/ GG和SAE-adAP。

本文的优缺点如下。(1)使用本文提出的模型可以用来标记不同的轴承故障信号。例如,聚类结果用于标签不同的故障信号,然后一个SAE和一个输出层可以用来实现在线自动故障诊断。(2)然而,实际项目中收集的数据含有噪声,导致误分类和不当的聚类结果。因此,分类效果的后续使用SAE和一个输出层是更糟。为了解决这个问题,为未来的研究中,我们提出一种改进的SAE的模型,例如,通过添加一个数据平滑模型隐藏在每一层一层一层地消除噪声信号,从而提高聚类和分类的准确性。

缩写

WT: 小波变换
EMD: 经验模态分解
首先: 固有模态函数
EEMD: 集成经验模态分解
SAE: 堆叠autoencoder
SDAE: 在去噪autoencoder
FCM: 模糊C-mean
GK: Gustafson-Kessel
GG: Gath-Geva
记者: 亲和力传播
改编电影: 自适应亲和力传播
主成分分析: 主成分分析
NR: 正常的
男朋友: 球的错
IRF: 内套的错
子: 外环的错
答: 聚类中心
AE: autoencoder
FFT: 快速傅里叶变换。

数据可用性

之前报道的轴承数据被用来支持这项研究,可用(数据链接:http://csegroups.case.edu/bearingdatacenter/pages/download-data-file)。这些先前的研究(和数据)是在相关地方引用文本中引用(29日]。

的利益冲突

作者宣称没有利益冲突有关的出版。