TensorFlow中深度前馈网络优化研究及其轴承故障诊断应用

论文摘要

目前在复杂系统的故障诊断中,故障特征与故障类型之间存在较强的非线性关系,且数据量较大,信号处理复杂,诊断效率不高,而深度学习在特征提取与模式识别方面显示出巨大潜力。针对此问题提出基于深度前馈网络的故障诊断模型,将其应用于复杂的轴承故障诊断。该方法直接将原始信号作为模型的输入特征量,然后利用谷歌开源深度学习框架TensorFlow建模,通过相关参数设置、梯度算法优化、正则化处理对网络进行优化设计。构建上万的9种轴承故障类型样本,确保样本多样性,提高网络鲁棒性,最终优化后的模型诊断准确率为98.96%。将该方法与多种传统的机器学习诊断方法进行比较,结果表明该方法能更有效地进行轴承故障诊断,验证了模型的合理性和优越性。

论文目录

• 0 引 言
• 1 深度前馈网络理论
•   1.1 参数初始化
•   1.2 非线性激活函数
•   1.3 交叉熵损失函数
•   1.4 输出单元
•   1.5 结构设计
• 2 深度前馈网络优化设计
•   2.1 梯度优化算法
•   2.2 正则化
• 3 实 验
•   3.1 实验数据及预处理
•   3.2 参数设置
•   3.3 结果分析
•   3.4 与其他方法的比较分析
• 4 结 语

文章来源

类型: 期刊论文

作者: 梁昱,李彬彬,陈志高,焦斌

关键词: 深度前馈网络,参数选取,优化算法,轴承故障诊断

来源: 计算机应用与软件 2019年10期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 机械工业,自动化技术

单位: 上海电机学院电气学院,中核检修有限公司海盐分公司

分类号: TH133.3;TP277

页码: 175-182

总页数: 8

文件大小: 1592K

下载量: 198