基于深度聚类网络的电子设备故障检测方法

对基于深度聚类网络的电子设备故障检测方法进行了研究,并设计了一种基于深度聚类网络的电子设备故障检测系统。首先,对电子设备故障检测方法的总体方案进行设计;然后为了进一步提高系统对故障检测的准确率,在深度聚类网络中引入自注意力机制与残差块对其进行改进与优化;最后对优化后深度聚类网络搭建的电子设备故障检测系统进行实验测试。实验结果表明:经过引入自注意力机制和残差块后的深度聚类网络优化算法的聚类准确率达到了94.28%,比传统深度聚类网络算法的准确率提高了4.17%,CH指数与轮廓指数有明显提升,戴维森堡丁指数降低了8.06%,代表聚类效果在算法得到优化后变得更佳;采用优化后的深度聚类网络搭建的电子设备检测系统的故障诊断准确率达到了93.91%,比传统聚类算法提高了24.03%,比基于降维的传统聚类算法提高了6.26%,表明采用的优化后的深度聚类网络在电子设备故障检测方面具有明显的优势,基于深度聚类网络的电子设备故障检测系统具有可行性与有效性,且故障诊断准确率较高。

基于优化稀疏编码学习的机械设备电子故障检测研究

针对现有机械设备电子故障检测方法非线性逼近性能差的问题,提出了基于优化稀疏编码学习的检测算法研究。采用了稀疏表达的方式来识别机械设备电子故障信号,提高了检测算法全局寻优的能力,避免陷入局部最优解;通过提升过完备字典模型内部原子结构与故障信号的匹配度的方式,获取了精度更高的稀疏解;促使稀疏逼近后重构信号的周期性与原始信号保持一致,并引入了特征自学习方案;最后采用分段的方式提取了各段信号的稀疏表征,改善了对原始故障信号的控制与检测性能。研究结果表明:提出检测算法在信号故障特征提取方面与原始信号周期性峰值匹配度更高,重构信号的控制误差较低,在稀疏度值超过100时的时间消耗相对于现有检测方法具有更明显的优势。