针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化...针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。展开更多
针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化...针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化支持向量机的滚动轴承故障诊断方法.该方法构造了一个统一的特征提取框架,依靠局部线性嵌入(locally linear embedding,LLE)挖掘高维数据的局部几何结构,同时通过稀疏自表示(self-representation)在低维空间挖掘高维数据的全局几何结构,得到表征滚动轴承运行状态的嵌入特征.然后,将得到的特征输入至交叉优化支持向量机(cross-validation support vector machine,CV-SVM)中进行故障识别.最后,在常见滚动轴承故障数据集上对所提出的方法进行测试,实验结果表明提出的方法能有效识别出滚动轴承不同类型的故障,并且故障诊断精度可达98.5%.展开更多
文摘针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。
文摘针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化支持向量机的滚动轴承故障诊断方法.该方法构造了一个统一的特征提取框架,依靠局部线性嵌入(locally linear embedding,LLE)挖掘高维数据的局部几何结构,同时通过稀疏自表示(self-representation)在低维空间挖掘高维数据的全局几何结构,得到表征滚动轴承运行状态的嵌入特征.然后,将得到的特征输入至交叉优化支持向量机(cross-validation support vector machine,CV-SVM)中进行故障识别.最后,在常见滚动轴承故障数据集上对所提出的方法进行测试,实验结果表明提出的方法能有效识别出滚动轴承不同类型的故障,并且故障诊断精度可达98.5%.