文摘
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。
1。介绍
随着现代工业生产的发展,重工业的准确故障识别机器已经变得越来越重要。当代重型机器在高度复杂的内部组件系统结构的特点。此外,即使对于一个特定的组件,多个传感器安装在不同的位置获得互补信息。如何有效地利用这些多传感器信息,提高机器的可靠性故障识别结果仍然是一个巨大的挑战。
传统的故障识别方法通常是基于历史条件监测数据可以非常有用,发出适当的维护策略,避免灾难性的失败和节省维护成本过高。传统的智能故障识别过程通常包括三个步骤:特征提取;特征融合;和错误的识别。
1.1。特征提取
在特征提取阶段,合适的统计特性提取和加工获得的传感器监测信号的数据空间基于信号处理的专业知识来构建一个合适的健康指示器(你好),可以代表机器健康状况和故障识别提供有用的信息。嗨的施工方法可以分为两类:单传感器的方法和multisensor-based方法。单一传感器的方法是完全基于提取的单一来源的理解监控信号通过选择适当的统计信号处理和分析方法。Gebraeel et al。1)的平均振幅和谐波提取振动信号的健康指示器代表轴承条件状态。Malhi et al。2]提取根均方误差和峰值振动信号建立轴承状态的健康指示器使用连续小波变换。Kilundu et al。3]构造方位嗨指示器利用奇异谱分析的振动信号。单一ieee故障识别方法可以捕捉目标组件的故障症状与特定的物理意义;但是,它只能从单一数据捕获错误的症状维度较低的信心水平。
为了提高故障识别结果的可靠性,multisignal-based方法提出了反映目标组件的潜在错误的症状从多个数据维度4- - - - - -6]。multisignal-based方法,信号包括部队、振动、温度、和声学缺陷的融合识别任务(7]。单一ieee方法相比,multisignal-based故障识别方法可以使识别结果更加可靠8- - - - - -9]。郝et al。10)提出了退化multisensor-based方法识别的机械组件通过评价的综合指数结合多个传感器信号在多个操作条件下收集。电动机故障识别模型基于传感器数据融合利用支持向量机和短期Banerjee和达斯提出的傅里叶变换是11]。
1.2。特征融合
特征融合通常在特征空间进行不同种类的统计特征提取在特征提取阶段集成到复合功能通过使用技术,如主成分分析(PCA),基于方法和多方面的学习。特征融合过程旨在实现可观的信息压缩和促进更有效的功能。徐et al。12保险丝的时域和频域特性利用PCA提取火焰振荡信号。王等人。13)提出了特征融合和特征选择方法从部队利用核主成分分析和振动信号。太阳et al。14)提出了一种特征融合的手写识别方法,利用局部线性嵌入。
1.3。错误的识别
在错误的识别阶段,复合特性获得的特性融合步骤发送到错误的识别分类器(15- - - - - -16]。目前,各种各样的机器学习分类器被广泛探讨的问题分类阶段;然而,很难shallow-structured分类器实现精确故障预测工业重型机器具有复杂内部组件系统结构(17- - - - - -19]。
最近,随着深度学习技术的发展,它已广泛应用于特征提取:特征融合和故障识别阶段由于其强大的自动学习和输入-输出特性映射能力的多层结构。深上优于故障识别方法可以释放依赖专家知识错误的识别,它已被证明是有效地提高识别结果(20.- - - - - -23]。然而,有三个问题需要进一步考虑。(1)在特征提取阶段,大多数现有的方法直接提取来自多个传感器信号的统计特性。然而,这些传感器安装在不同的位置获得各种状态监测信号具有不同特点推断由于传感器的布置和环境。因此,从这些传感器提取的特征是无序和与不同的来源,增加代表特征提取的难度。如何有效地合并这些多传感器特征学习一个完整表示的这些多源信息仍然是一个挑战(2)在特征融合时期,传统的特征融合方法,如主成分分析,肺水肿(社区保护嵌入),和米歇尔(局部线性嵌入)从失败中学习高级特性由于故障振动信号的非平稳的特点。如何联合使用不同类型的提取特性来构建一个更健壮的功能仍然是一个挑战呢(3)错误的鉴定期间,大多数现有的方法只使用单个分类器作为最终决策者输出最终的预测结果。由于机器故障原因可以与多个组件由于其高度复杂的内部组件系统结构,单个分类器的预测结果可以充满了不确定性。因为不同的组件可以从不同方面反映了机器故障条件下,如何构建一个层次故障预测方法反映了复杂组件系统的关系网络仍然是一个挑战
处理上述三个问题,本文提出一种multisensor-based分级机故障识别方法通过使用一个两阶段稀疏autoencoder-based特征融合和深层信念基于网络的整体学习。列出该论文的创新点如下:考虑上面列出的第一期,六种统计特征提取和标准化从传感器监控同一个组件,这些特性被发送到六个不同的三层为特征提取节约。六个节约的中间层的完整表示多传感器输入信号中提取。考虑到上述第二个问题,六提取中间空区的震动从来么功能连接和发送到一个特别设计的三层SAE的特征融合来获得一个更健壮的特性。合并成一个六提取中间空区的震动从来么特性six-node压缩功能,被认为是复合目标组件的健康指示器。考虑上述第三个问题时,获得的综合卫生指标特征融合时期,反映了不同组件的综合健康状态发送到多个DBN分类器单独机器故障状态进行分类,这些分类器的输出是由使用贝叶斯加权聚合战略,代表目标组件之间的关联程度和某些机器的条件。本文的其余部分组织如下:部分2简要回顾了相关的研究文献包括稀疏autoencoder深层信念网络,和整体学习;部分3介绍了框架提出了混合故障预测方法;部分4描述了案例研究和竞争与其他深度学习模型;最后,部分5总结了该论文的主要贡献和未来的工作。
2。方法
2.1。Autoencoder和稀疏Autoencoder
autoencoder是一种无监督特征的学习方法可以学习的高层表示原始输入信号。autoencoder的输出层有相同的维度作为输入层,最小化重建误差之间的输入和输出,这样隐藏层中包含的高级特性。autoencoder的学习过程包括两个过程:编码和解码。编码过程作为特征提取器实现从原始输入转变成高级特性,和解码过程作为一个特征检测器重建在输出层的输入基于获得的高级特性。autoencoder的详细结构见图1。
假设 - - - - - -维原始输入向量 , 。在编码过程中,原始输入向量转化为高级功能表现在以下方程: 在哪里表示之间的重量在输入层和th维度在隐藏层维度。的参数表示的偏见在隐层节点。这个函数表示激活函数将原始输入向量转换成高级特性。
在解码过程中,解码器将隐藏层到输出层 ,和变换函数可以见以下方程: 在哪里表示隐藏层和th维度th维度在输出层。的参数表示的偏见在输出层节点。为了获得原始输入信号的压缩高级信息,应用“稀疏”限制在隐藏层。“稀疏”限制是旨在使绝大多数节点的状态处于不活跃的阶段,它的输出是接近于零。“稀疏”限制可以说明如下面所示:
这里的参数表示的平均激活值th隐层的节点表示训练样本的数量。表示的激活值的隐藏节点样本。
在训练阶段,激活隐层输出限制在预定义的稀疏值见以下方程:
这里的参数表示“稀疏”参数。吉隆坡(Kullback-Leibler)散度是用来“稀疏”之间的相似性评价参数和实际平均激活 。一旦 ,KL的散度等于零,SAE的损失函数可以表示为如下方程:
方程(6)表示autoencoder的损失函数,方程(7)表示“稀疏”限制。稀疏autoencoder旨在使输出尽可能等效输入,获得高质量的内部表示的输入向量。摘要稀疏autoencoder用于建设的健康指示器的单个组件,包含信息不同的传感器位置和功能特征。
2.2。深度信念网络
深层信念网络是一种无监督的贪婪辛顿在2006年提出的分层技术训练算法求解结构优化中存在的问题深入学习算法。DBN是由叠加多层限制玻耳兹曼机,见图2。
每个组织遏制由两层可见的单位和隐藏的单位,分别和之间没有连接同一层只有可见层和隐层之间的存在。DBN的训练过程由两个阶段组成:pretraining堆叠遏制一个一分之一贪婪的方式和调整整个网络获得理想的性能。自从DBN由多个堆叠遏制,它可以通过对比差异训练24一种无监督的方式。
近年来,DBNs已经成功应用于故障识别领域(25- - - - - -27]。本文使用多个DBN分类器单独机器故障分类从不同组件的角度。
2.3。整体学习
集成学习是基于这样一种观念,“两个脑袋比一个脑袋。“聚合多个分类器的性能已经被证明是比单个分类器在许多领域(28- - - - - -31日]。整体学习通过使用适当的策略组合,可以充分利用每一个分类器,以提高泛化(32]。整体学习通常可以分为两种类型:整体学习顺序和并行整体学习。在整体学习顺序,顺序不同的算法结合的第一个算法用于生成一个模型,然后第二算法正确的第一个模型等等也称提高。整体学习并行,不同的算法用于模型训练独立也叫装袋。有两种并行整体学习即均匀整体学习和异构集成学习33]。
2.3.1。均匀的整体学习
均匀的整体学习计划,使用相同类型的分类器,但不同的训练数据集。这些来自多个数据源的数据收集,数据联合的多源实现见图3。这种类型的乐团合奏,也称为数据变化,它主要用于工业大规模场景下大数据的管理。
2.3.2。异构集成学习
在异构集成学习计划,但在许多不同类型的分类器应用同样的训练数据集,可以看到图4和多样性是实现这个方案模型。这种类型的合奏也被称为功能变异系综主要用于泛化改进的模型输出。
摘要均匀合奏的几个DBN学习分类器被用于建设的分层数据处理组件系统网络的框架。
3所示。提出的方法
3.1。数据预处理和特征融合与SAE
3.1.1。数据分割
条件监控数据从多个传感器获得相同的目标组件,但不同的安装位置。获得的数据集划分为两类:一个用于培训和其他测试。
3.1.2。特征提取和标准化
在特征提取和规范化时期,六个包括脉冲时域特性 ,峰度 ,偏态 ,形状系数 ,间隙的因素 ,和波峰因素本文使用。公式使用的六个特点介绍如下: 在哪里表示一系列传感器信号和参数””是指窗口长度。六个特性提取规范化使用方程(14),表示提取的特征在第i个传感器信号分割。和代表最大特征值和最小特征值内信号的细分传感器。
3.1.3。基于SAE的特征融合和功能建设
构建目标组件的综合健康指示器,该执行两级SAE-based特征融合方法。首先,六种归一化特性提取一组传感器监控同一个组件发送到六个三层节约,分别与结构如图5。假设有传感器监视同一目标组件,隐层节点数的设置 这层可以被迫学习一个完整表示的各种特性获得多传感器信号(34]。因为有六种特征提取中提到的传感器信号部分3.1。2,六个综合功能连接和发送到第二个SAE如图6。隐层的节点数第二SAE将根据参数调整专业知识在文献[634这网络是被迫学习的高度压缩表示六个特征提取。six-node压缩特性提取并被视为目标组件的综合健康指示器。
3.2。基于DBNs整体学习
3.2.1之上。基于单DBN个人错误的分类
提取的six-node压缩特性是美联储将多个DBN模型用作subclassifier合奏的学习网络。摘要DBN由叠加两元层和一层softmax错误分类的结构如图7,““表示向量和可见””隐藏的向量表示。参数““表示连接可见层和隐层之间的重量。
的输入维度提出DBN设置为6,和输出维度将Softmax层相当于相应的故障类型错误的分类任务。辛顿提出的对比差异等。24)是用于快速训练的DBN模型。首先,隐藏的条件概率单位中包含RBM1获得通过使用方程(15)。吉布斯采样然后用来确定隐藏单位的状态。最后,可见单元的状态可以通过方程(16),它可以被看作是重建前隐藏层。的参数表示之间的连接权重第i个节点和可见隐藏的节点。的参数和表示明显的偏见和隐藏层,分别。
梯度变化可以通过最大化对数似执行随机梯度下降法。参数的更新规则可以通过使用以下方程:
在这里,表示学习速率,表示条件分布的期望值 ,和表示期望重构模型的分布。堆叠遏制首先pretrained无监督方法。后DBN pretraining过程完成后,DBN模型调整从最后一层利用标记数据。将softmax层代表的概率不同故障类型添加一个分类问题,和整个模型参数优化使用反向传播算法。
3.2.2。基于贝叶斯权重整体学习
因为个人DBN分类器只代表了机器健康状况从组件的角度来看,为了构建各个组件之间的关系网络和不同的机器故障条件下,基于贝叶斯权重策略的集成学习方法申请整合多个DBN分类器的输出结果。假设有个人DBN分类器对应的健康状态单个组件的设备,机器健康状态可以表示如下。
在这里,表示机器之间的相关性权重和目标组件识别状态 ,它的重量值初始化 ,代表所有的组件都有相同的相关性与机器的关系开始时;
表示的输出将softmax状态的概率由th DBN对应组件。说明了具体的数学表达式见方程(21),参数表示错误的数量和类型的分类任务表示国家的原始输出
如果机器的真实状态的状态是完全正确 ,postier相关重量可以更新见方程(22);否则,体重不会被更新。应该注意,这里使用更新后的重量分配只是对应的分类类型的状态 ,和不同的机故障状态有不同的组件系统重量分配。
3.3。SAE的组合和DBN-Based整体学习
该方法的总体框架见图8。首先,传感器监测同一个组件分类,和六个经典时域特征提取并从这些传感器数据规范化。第二,SAE-based特征融合是用来获得的压缩表示六规范化特征也视为目标组件的综合表示。第三,提取的压缩特性代表不同组件的状态发送到多个独立DBN机器故障识别的分类器组件的角度。最后,多个输出DBNs通过贝叶斯加权聚合战略,以及各个组件之间的关联度和整机系统构造。体重的相关性不断更新是基于后真正的标签在训练过程中。在测试过程中,整体权重策略应用于不同的DBN分类定义基于相关性的体重的平均值在训练过程中获得的。该方法的一般程序可以在算法1。
|
||||||||||||||||||||||||||||||||||||
4所示。方法评价
4.1。案例研究我:设备故障识别风力涡轮机变速箱
以下4.4.1。数据描述和实验设置
建议的方法的性能评估的多传感器数据集风力涡轮机变速箱由上海电气集团的企业提供。如图9的风力涡轮机变速箱主要由四个主要部件即大轮,小轮,驱动轴和底座。每个组件都是由三个垂直的振动传感器,监控水平,和横向方向。设置为36千赫采样频率,采样时间设置为1 s下的加载速度从800转到1600转。时间窗口设置为10,每个示例包含10个采样点。因此,总共有3600个样本中,有一半是一半培训和测试。有五种变速箱条件即健康、转子不平衡、转子失衡,转子摩擦和轴承松动。案例研究的数据集的具体细节我说明如表所示1。
4.1.2。特征提取和标准化
摘要六种功能,包括脉冲因素,峰度、偏态,形状因子、间隙因素,波峰因子提取和从每个传感器收集的样本归一化监测子系统。的组件“传动轴”作为一个例子;原始信号和六种归一化特性提取三个振动传感器从垂直,水平,和横向方向,分别如图10 ()- - - - - -10 (g)。它可以发现在图10原始信号的振幅和脉冲的六提取和标准化的特点,峰度、偏态,形状因子,间隙因素,波峰因素变化显然由于不同监测传感器的位置可能会增加不仅特征选择的难度,而且故障识别的不确定性。因此,有必要寻找一种有效的方法合并从三个振动传感器收集的信息获得全面的代表地位的目标组件,并在这方面,论文提出了两级稀疏autoencoder介绍拥有强大的压缩特性和功能重建的能力。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
4.1.3。特征融合
为了演示熔融特性的鲁棒性和可视化功能表示能力,没有SAE的原始传感器数据提取、六个统计特性进一步提取SAE和six-node压缩融合的复合特性提出了两级SAE模型表示一个二维特性映射如图(11日)- - - - - -11 (g)通过使用t-SNE (t-distributed随机邻居嵌入)技术。如图(11日)t-SNE未能独立五个涡轮机变速箱条件与多传感器的原始传感器数据。大多数样品相互混合,和它只能区分健康和不健康之间的状态可能极大地影响缺陷识别模型的准确性。在数据11 (b)- - - - - -11 (g),大多数样本正确分类的六个提取和标准化的功能融合在一个阶段SAE少样本被错误地分类,那里只有几个边际的样本转子不平衡,转子摩擦,和转子失衡是错误地相互混合,而在图11 (h)显然,所有的五个条件是完全分离与原始传感器数据见图(11日)和六个提取和归一化特性融合阶段SAE从数据说明11 (b)- - - - - -11 (g)。因此,提出six-node压缩特性可以极大地提高数据的聚类能力,因为压缩特性包含压缩信息的六个特征,而不是一个单一的功能,它可以更有效的在处理故障信号的非平稳的特点。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
节约的配置用于特征提取和特征融合说明如表所示2。
4.1.4。DBN-Based整体学习
six-node压缩特性表明四个子系统的综合表示提取并用作五个人DBN分类器的输入。单个个人DBN分类器的配置说明如表所示3。DBN用作个体分类器总共有五层,输入层节点的节点数量设置为6,而同样的维度six-node压缩特性。输出层的节点数设置为5根据类型的涡轮机变速箱卫生条件。整体测试精度曲线和每个DBN的总体损失曲线,提出了整体学习网络如图所示12(一个)和12 (b)。整体学习它可以发现,该方法优于其他五个人DBN分类器的整体测试精度和整体测试的损失。
(一)
(b)
实验重复10次,平均精度预测各种条件状况和总精度说明如表所示4。它可以发现,提出DBN-based集成学习方法达到最高平均预测精度的预测各种健康状况和总精度。“方差”作为指标来评估错误的预测模型的稳定性。从方差评价每一个分类器,它可以发现,提出了集成学习方法的性能保持稳定在预测各种条件状态而DBN个体分类器的性能变化严重的某些故障的预测类型。原因应该是不同的部件有不同的敏感程度不同的机器故障条件下,指示组件系统关系网络构建的必要性。
4.1.5。与其他方法相比
为了评估的有效性提出了两级融合和整体学习DBN-based SAE-based特性,比较实验从以下两个方面进行10次,分别。
(1)证明的有效性提出DBN-Based合奏学习分类器。为了评估提出DBN-based合奏学习分类器,我们修复模型输入six-node复合功能。整体学习分类器包括提出DBN-based基于贝叶斯分类器权重,DBN-based合奏学习分类器上的赢家通吃,单一的CNN,单一的DBN,单一的摘要,单一的支持向量机分类器被用于比较。应该注意的是,当使用单一分类器,six-node压缩特性不同的组件是连接作为一个分类的输入。仿真结果说明如表所示5。它可以发现,提出了基于贝叶斯的DBN-based集成学习方法加权策略达到整体学习总精度最高的96.78%,而基于“赢家通吃”的策略的总精度达到95.32%。总精度得到其余四个单一分类器超出92%。因此,可以得出结论,整体学习分类器可以非常有效的处理的故障预测任务重时机器结构复杂的组件系统。
稳定性评价的不同的分类器,它可以发现,提出了集成学习方法与贝叶斯加权策略达到最低方差值为0.66,表明该模型在预测精度稳定各种机器的条件。此外,它可以发现合奏与“赢家通吃”的学习方法被用于比较优于其他四个单一分类器的预测稳定性方差值为0.87。原因应该是,尽管基于“赢家通吃”的整体学习模型是完全基于多数表决的原则不能反映重型设备的组件系统归属关系,它能体现组件系统结构的重机器不能通过单一分类器。
(2)证明的有效性提出了两级融合SAE-Based特性。为了评估提出了两级SAE-based功能融合,我们解决分类器提出了整体学习DBN-based基于贝叶斯分类器权重策略。原始传感器数据,与SAE提取六个统计特性,使用six-node压缩特性作为输入进行比较。仿真结果说明如表所示6。它可以发现,提出了集成学习的方法可以达到96.78%的总精度最高的模型输入six-node压缩特性。SAE的六个统计特征提取可以达到精度从82%到87%不等,可以不如six-node压缩特性。原始传感器数据实现最低的总准确率为55.24%。结论是符合t-SNE见图的可视化效果11。
4.2。案例研究2:错误的预后工业港口起重机行车
4.2.1。准备数据描述和实验设置
在第二案例研究中,该方法的性能评估的多传感器数据集上的企业提供的起重机行车CSIC(中国船舶工业公司)。如图13起重机小车主要由四个子系统即小齿轮轴承,滚筒轴、减速器输入轴和减速器输出轴。有10个振动传感器与传感器系列数字从PB-01 ROS-03安装在起重机行车,和传感器部署说明如表所示7。案例研究II的采样频率设置为24 KHz,和采样时间设置为1。时间窗口设置为10,总共有2400个样本在每个包含10个采样点。
案例研究的数据集二世的具体细节说明如表所示8。有四种起重机行车条件即轮咬,钢丝绳在绕组,刹车故障,和健康。
4.2.2。特征提取和标准化
一样的案例研究,六种特征提取和标准化的传感器监测子系统相同。小齿轮轴承为例,六种归一化特性提取“传感器PB-01,”“传感器PB-02”和“传感器PB-03,”分别如图(14日)- - - - - -14 (g)。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
4.2.3。特征融合和功能建设
一样的案例研究,我的六个特征提取传感器信号融合了SAE获得压缩特性代表目标组件的综合健康状况。SAE的四个子系统的配置用于特征提取和特征融合说明如表所示9和10。
4.2.4。DBN-Based整体学习
一样的案例研究,six-node压缩特性表明四个子系统的综合表示提取并用作四个人DBN分类器的输入。单个个体的配置DBN二分类器中使用的案例研究说明如表所示11。因为有四种起重机行车条件,输出层的单元号设置为4。总体精度曲线和每个DBN的总体损失曲线,提出了整体学习网络如图所示(15日)和15 (b)。它也可以发现,在案例研究II,整体学习提出的方法优于其他四个人DBN分类器的整体测试精度和整体测试的损失。
(一)
(b)
实验重复10次,平均精度预测各种条件状况和总精度说明如表所示12。整体学习它可以发现,该方法优于其他四个人DBN分类器的预测精度平均在每一个条件。此外,提出了集成学习方法优于其他四个DBN分类器的稳定性预测的四种不同的起重机行车条件基于方差评价案例研究II。
4.2.5。与其他方法相比
一样的案例研究,对比实验进行10次和评估和预测方面,从输入方面。
(1)证明的有效性提出DBN-Based合奏学习分类器。相比实验案例研究II的预测方面,我们修复模型输入six-node复合特性如表所示13。它也可以发现,提出基于贝叶斯的DBN-based集成学习方法加权优于所有其他四个单一分类器和集成学习方法基于(赢家通吃)总精度最高的97.02%。
此外,它可以发现整体学习模型优于其他四个单一模型的方差较低的稳定评估与案例研究的结论是一致的。
(2)证明的有效性提出了两级融合SAE-Based特性。相比实验案例研究II的输入方面,我们解决分类器提出了整体学习DBN-based基于贝叶斯分类器权重策略如表所示14。可以在第二案例研究还发现,提出的整体学习的方法可以达到97.02%的总精度最高的模型输入six-node压缩特性。六脉冲的熔融特性,峰度、偏态,形状因子,间隙因素,波峰因素下所能达到的平均精度从81%到86%不等的原始传感器数据实现最低的总准确率为62.33%。
案例研究II的比较结果与案例研究的结果一致,表明提出的有效性错误的识别方法也适用于工业起重机小车的实际应用案例研究II。
5。结论和未来的工作
5.1。该论文的主要贡献
在本文中,一种新颖的混合故障预测方法基于稀疏autoencoder和深层的信念提出了基于网络的整体学习。主要贡献是总结如下:(1)介绍了SAE-based特征提取方法,提取不同的传感器的特性是合并成一个流,释放不同的传感器部署造成的影响(2)提出SAE-based特征融合方法,以便提取六种特性压缩构造复合功能,被认为是一个目标组件的健康指示器。所构造的复合特性具有更好的健壮的能力在处理非平稳的故障振动信号(3)提出DBN-based集成学习,这样机器内部组件系统的关系可以很好的体现。这些DBN分类器的输出是由使用贝叶斯加权聚合策略之间的关联程度,它代表的目标组件的健康状态和故障概率的某些类型的机器故障状态
提出的混合故障预测方法是评估风力发电机齿轮箱的两个案例研究和工业港口起重机行车。两个案例研究表明,该混合故障识别方法优于其他传统的缺陷识别方法的预测精度和预测稳定在处理工业重型机器,表明应用两级SAE的必要性——DBN-based整体学习。
5.2。未来的工作
虽然提出了混合故障识别方法以及评估提出了两个案例研究,仍有一些问题需要考虑。首先,计算的复杂性提出了贝叶斯加权策略中使用的整体学习过程应该考虑。在未来,应该设计一些更合适的权重策略不仅可以释放的计算负担,但也反映了组件系统的关系。此外,提出了混合故障识别方法应该将评估等其他重型机械车辆系统和飞机发动机系统也有一个高度复杂的内部组件系统结构。
数据可用性
的原始/处理传感器数据提供的两个案例研究是企业“上海电气集团”和“中国船舶工业公司”。它不能被共享由于企业保密。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
这项研究已经在经济上支持的科技创新的重大项目2030 -新一代的人工智能(批准号2018 aaa0101800)——上海市自然科学基金(批准号19 zr1461500)。