基于深度融合策略的转子轴心轨迹识别研究

摘要：

针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型(deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM).首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试.试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5％,比次优模型高出约6个百分点.

关键词：特征提取;深度学习;卷积神经网络;自动编码器;轴心轨迹

所属期刊栏目：41

分类号：TH113.2;TN911.72

资助基金：国家自然科学基金;国家自然科学基金;广东省自然科学基金资助项目;广东省自然科学基金资助项目;广东省教育厅资助项目;广州市科技计划资助项目;广东省重大科技专项资助项目;广西科技大学博士基金资助项目

在线出版日期：2022-01-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1074-1080