研究文章
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
| 输入:考虑到状态监测从多个传感器收集的数据 |
| 输出:机器故障识别结果 |
| 步骤1:根据组件对多传感器数据进行分类 |
| 条件监控传感器收集的数据是一样的 |
| 组件与不同的传感位置分为同一组 |
| 步骤2:特征提取和特征融合 |
| 在步骤1中2.1分类的传感器数据被分割为两类,一个用于培训,另一个用于测试 |
| 2.2六时域特性(f1 ~f6)见方程(8)- (13)提取和规范化使用方程(14) |
| 2.3六个归一化特性被发送到六节约,分别与图的结构5无监督培训使用方程(1)- (7)并获得完整的表达式的六个归一化的特性,分别 |
| 2.4六个归一化特性的完整表示部分2.3是连接和发送到SAE图的结构吗6无监督培训使用方程(1)- (7),获得six-node压缩特性 |
| 2.5 six-node压缩特性提取并被视为某种目标组件的综合表示 |
| 步骤3:机器故障识别的基础上,提出multi-DBN-based整体学习 |
| 3.1压缩构造综合特性对多个组件发送到多个独立DBN分类器预测机器健康状况通过添加将Softmax预测层从组件的角度和个人训练分类器通过使用方程(15)- (19) |
| 3.2将Softmax聚合多个DBN分类器的输出基于动态更新相关的重量通过使用贝叶斯加权策略如方程所示(20.)- (22) |
| 3.3基于最大输出重型机器条件结果加权输出类 |
| 3.4计算体重的相关性的平均值的每个分类器在训练过程中 |
| 第四步:评估拟议的方法 |
| 验证提出的集成学习方法在测试数据集通过使用相关体重的平均值在训练过程中获得的 |
|
