基于改进堆叠降噪自编码的滚动轴承故障分类

来源：机械工程学报杂志2018年第7期北京时间：

作者：侯文擎, 叶鸣, 李巍华

单位：1. 华南理工大学机械与汽车工程学院 广州 510640;2. 华南理工大学广东省汽车检测工程技术研究中心 广州 510640

摘要：作为一种新兴的机器学习方法，深度学习在故障诊断领域逐渐得到了应用。其中，堆叠降噪自编码（Stacked de-noising auto-encoders，SDAE）算法先对原始数据添加"损伤噪声"，然后通过自编码网络进行数据重构，从而得到更鲁棒性的特征表示，易于进行故障分类。然而针对具体的故障诊断问题，网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此，提出一种改进的SDAE诊断方法，利用粒子群算法（Particle swarm optimization，PSO）对DAE网络超参数进行自适应的选取来确定SDAE网络结构，据此得到故障状态的特征表示，输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证，试验结果表明，基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机（Support vector machine，SVM）、反向传播神经网络（Back propagation，BP）以及深度置信网络（Deep belief network，DBN）。

关键词：超参数优化,故障诊断,降噪自编码,深度神经网络；

基金资助：国家自然科学基金（51475170）和中央高校基本科研业务费专项资金资助项目。