基于深度小波自动编码器和极限学习机的轴承故障诊断

针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函数设计小波自动编码器从而有效地捕获信号特征。其次,利用多个小波自动编码器构造一个深度小波自动编码器来增强无监督特征学习能力。最后,采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了研究结果能够在原始振动数据无监督特征学习的条件下该方法优于传统方法和标准深度学习方法。

基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法。利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。对实验所得的轴承振动信号进行对比分析,结果验证了该方法在原始振动数据无监督特征学习的条件下优于传统方法和标准深度学习方法。

基于DWAE和GRUNN组合模型的变工况齿轮箱故障诊断分析

为了更好地识别噪声与时变转速条件对变工况齿轮箱的故障,开发了一种通过深度小波自动编码器(DWAE)与门控循环单元神经网络(GRUNN)相结合的变工况齿轮箱故障识别方法,其能够从含噪样本自主提取得到鲁棒故障特征;通过Adam与Dropout方法进行训练,通过Softmax分类器对待诊样本的变工况齿轮箱运行状态进行了准确识别。研究结果表明,采用该模型识别齿轮故障时,能够达到有效分离齿轮的6种故障状态,从而满足齿轮状态聚类的优化功能;该模型能够提取出DWAE的鲁棒特征参数,也可以发挥GRUNN以实现消除梯度的效果。当训练样本数增加,待诊样本的准确率也发生了明显提升。样本数超过200后,测试待诊样本可获得稳定准确率,通过DWAEGRUNN方法识别得到的准确率最高。针对变转速工况,该模型可以保持很好的准确率。