深度学习在电机故障诊断中的应用研究

论文摘要

针对电机故障诊断采用传统神经网络易陷入局部极小值等问题,提出一种新型的特征学习诊断方法。方法通过多个稀疏自编码器的堆叠构建深层次的神经网络,提取故障信号特征,结合Softmax分类器对其进行分类。首先,对故障信号做频域变换,采集频域数据作为输入样本。然后通过逐层贪婪预训练获得神经网络的初始权重,利用反向传播算法进行全局微调,优化神经网络参数。最后,用训练完成的网络识别故障。上述方法提高了诊断的准确率,改善传统方法的不足。通过仿真验证了上述模型的有效性和可行性,且优于传统的支持向量机诊断方法。

论文目录

• 1 引言
• 2 堆栈稀疏自编码器与Softmax分类器原理
•   2.1 堆栈稀疏自编码器原理
•   2.2 Softmax分类器原理
• 3 基于SSAE-Softmax的电机故障诊断方法的实现
• 4 实验验证与性能分析
• 5 结论

文章来源

类型: 期刊论文

作者: 王惠中,贺珂珂,房理想

关键词: 故障诊断,深度学习,堆栈稀疏自编码器,分类器

来源: 计算机仿真 2019年10期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 电力工业,自动化技术

单位: 兰州理工大学电气工程与信息工程学院,甘肃省工业过程先进控制重点实验室

基金: 甘肃省自然科学基金项目(1508RJZA090),甘肃省工业过程先进控制重点实验室(XJK201522)

分类号: TP18;TM307

页码: 423-428

总页数: 6

文件大小: 1296K

下载量: 312