文献类型：期刊文章

作　　者：戴俊[1] 王俊[1] 朱忠奎[1] 沈长青[1] 黄伟国[1]

Dai Jun;Wang Jun;Zhu Zhongkui;Shen Changqing;Huang Weiguo(School of Rail Transportation,Soochow University,Suzhou 215131,China)

机构地区：[1]苏州大学轨道交通学院

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(51805342,51875376,51875375);江苏省自然科学基金(BK20180842);中国博士后科学基金(2018M640514);江苏省博士后科研资助计划(2018K006B)项目资助

年　　份：2019

卷　　号：40

期　　号：9

起止页码：16-26

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：现有的机械系统智能诊断模型需要不同健康状态下大量的历史数据和相对应的标签来完成模型训练,但有些机械系统难以采集到异常样本。在无异常样本训练情况下,本文提出一种新的机械系统异常检测方法。新方法结合生成对抗网络和自动编码器,构建了一种编码-解码-再编码的网络模型。所提模型首先通过早期采集的正常样本进行训练,然后用于对未知状态的实时监测样本进行测试,输出两次编码得到的潜在特征的差异值,最后通过观察差异值的变化对系统进行监测。3组实验分析结果验证了方法的有效性。与传统方法相比,新方法检测出异常的时间更早,所得差异值指标在异常发生时幅度增加得更大,且能更稳定表征故障演化过程。

关 键 词：深度学习  生成对抗网络  异常检测 机械系统

分 类 号：TH13] TH17