堆栈稀疏降噪自编码网络在变压器故障诊断中的应用

为了进一步提高电力变压器故障诊断的识别能力,提出了一种基于堆栈稀疏降噪自动编码器(stacked sparse denoising auto-encoder,SSDAE)的新型深度学习电力变压器故障诊断新方法,较好地解决了传统电力变压器故障诊断方法识别率低及特征提取能力差的问题。SSDAE模型首先使用大量的无标签数据,采用逐层贪婪法进行无监督预训练;然后将模型的最后一层连接Softmax分类器,使用带有故障类型的数据进行微调;最终通过实例数据证明,与三比值法和基于支持向量机(support vector machine,SVM)算法的诊断方法对比,所提出的基于SSDAE网络的变压器故障诊断方法的准确率可提高近20%。

基于深层内嵌混合稀疏堆栈自动编码器和流形集成的精神病语音识别方法

语音特征学习是精神病语音识别方法的核心和关键。深层特征学习可以自动提取语音特征,但受限于小样本问题;传统的特征提取(原始特征)避免小样本问题影响,但严重依赖经验且自适应不佳。为了解决这一问题,本文提出了一种深层内嵌混合稀疏堆栈自动编码器流形集成算法。首先,基于先验知识提取精神病语音特征,构造原始特征。其次,将原始特征内嵌入到稀疏堆栈自动编码器(深度网络)中,对隐藏层的输出进行滤波,增强深层特征与原始特征的互补性。再次,设计L1正则化特征选择机制,压缩由深层特征和原始特征组成的混合特征集的维度。最后,设计了加权局部保持投影算法和集成学习机制,构造了流形投影分类器集成模型,进一步提高了小样本下特征融合的分类稳定性。此外,本文首次设计了一个中大规模的精神病语音采集方案,收集并构建了一个大规模的中文精神病语音数据库,用于精神病语音识别算法的验证。实验结果表明,该算法主要创新部分有效;与其他有代表性的算法相比具有更好的分类准确率,最大改善了3.3%。综上所述,本文提出了一种基于深层内嵌混合稀疏堆栈自动编码器和流形集成的精神病语音识别方法,有效提高了精神病语音识别准确率。

基于SSAE的输入级弧齿锥齿轮自动特征提取及故障诊断

航空用输入级弧齿锥齿轮常处于高速重载工况,获取的振动信号具有强非线性、非平稳特点,造成故障特征难提取。对此,运用堆栈稀疏自动编码器故障自动特征提取方法结合分类器对输入级弧齿锥齿轮故障诊断进行了研究。搭建输入级弧齿锥齿轮故障诊断模拟试验台,分别进行正常齿轮和故障齿轮运行的测试试验。将多个SAE层层堆叠形成SSAE,对弧齿锥齿轮故障特征层层提取,用多分类器完成故障诊断。结果表明:该方法输入级弧齿锥齿轮故障识别结果的有效率可达100%,为弧齿锥齿轮的故障分析提供了一种有效途径。