TY -的A2 -周,μ盟——周,一轻王盟——剑盟——王,Zeru PY - 2022 DA - 2022/06/21 TI - Multisensor-Based重型机器故障识别使用稀疏Autoencoder-Based特性融合和深度信念基于网络的整体学习SP - 5796505六世- 2022 AB -错误的识别起着至关重要的作用在该地区的预后和健康管理(榜单)工业设备维护策略决策提供了很大的支持。由于机器内部组件系统结构的复杂性,重型机器的精确预测很难获得,因此充满了不确定性。此外,即使对于一个组件,获得有条件的监测信号的特征表示可以不同的传感器由于不同的部署位置和环境推断,导致错误的识别特征选择困难和不确定性。为了提高模式识别的可靠性,一种新颖的混合机故障识别方法基于稀疏autoencoder - (SAE)和深度信念网(DBN)提出了基于集成学习。首先,六种统计特征提取和规范化来自多个传感器监测同一目标组件。第二,六个提取的特征是由两级融合的SAE在本文提出的传感器尺寸和功能维度,分别。复合特征融合的特征维度被视为综合表示相应的组件。最后,包含全面的融合特性表现不同的组件是用来预测机器整体健康状况的分类器多个很深的信仰。验证了该方法的有效性的两个案例研究风力发电机齿轮箱和工业港口起重机。整体学习实验结果表明,该方法优于其他传统的深度学习方法的预测精度和预测稳定在处理多传感器特征融合和精确的故障识别的工业重型机器。 SN - 1687-725X UR - https://doi.org/10.1155/2022/5796505 DO - 10.1155/2022/5796505 JF - Journal of Sensors PB - Hindawi KW - ER -