堆叠自编码器在样本不充足下的轴承故障诊断方法

深度学习作为一种实用的大数据处理工具,在机械智能故障诊断领域也受到广泛关注,许多研究者已经成功地将深度学习模型应用于故障诊断领域。但这些研究往往忽略了两个重要的问题:(1)当原始训练数据集不足时,模型训练过程不理想;(2)网络模型的学习内容不明确。为了克服上述不足,提出一种新的数据增强的堆叠自编码器(DESAE)框架,该框架由数据增强模块和故障分类模块组成。在数据增强模块中,采用SAE生成模拟信号,对不充足的训练数据进行增强。在故障分类模块中,利用增强的数据集训练另一个SAE模型并进行故障样本类型识别。同时,利用轴承数据集验证该方法的有效性。此外,为了更便于理解DESAE工作过程,对其各层学习特性进行可视化分析。

信号分辨率增强的机械智能故障诊断方法研究

利用深度学习来增强数据集已成为各个领域的研究热点,即使用有限的数据集生成更多仿真的数据集。不同于目前主流的生成对抗网络算法及其变体算法,基于样本分辨率增强的思想,提出了一种简单有效的算法——高效亚像素全连接神经网络(ESPFCN)。ESPFCN的原理为:对原始输入样本进行全连接操作,经过隐层特征映射输出四通道的低分辨率特征;通过亚像素全连接层,将四通道的低分辨率特征进行周期性的排列,得到一组高分辨率特征,实现了样本分辨率的增强。设置了一组特殊的轴承实验来评估生成模型的性能,实验结果验证了ESPFCN框架的有效性,并通过可视化展示了ESPFCN的特征学习过程。