文献类型：期刊文章

作　　者：张鑫[1,2] 郭顺生[1,2] 李益兵[1,2] 江丽[1,2]

ZHANG Xin;GUO Shunsheng;LI Yibing;JIANG Li(School of Mechanical and Electronic Engineering,Wuhan University of Technology,Wuhan 430070;Hubei Digital Manufacturing Key Laboratory,Wuhan University of Technology,Wuhan 430070)

机构地区：[1]武汉理工大学机电工程学院,武汉430070 [2]武汉理工大学湖北省数字制造重点实验室,武汉430070

出　　处：《机械工程学报》

基　　金：湖北省自然科学基金(2019CFB565);中央高校基本科研业务费专项资金(2018IVA022);国家自然科学基金(51705386,51705385);湖北省科技支撑计划(2015BAA063、2014BAA032)资助项目

年　　份：2020

卷　　号：56

期　　号：1

起止页码：69-81

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对机械设备故障诊断过程中有标签样本不足,结合流形学习与深度学习的思想,提出了基于拉普拉斯特征映射(Laplacian eigenmap,LE)和深度置信网络(Deep belief network,DBN)的半监督故障识别模型。该模型运用LE算法直接对原始高维振动信号进行特征提取,将低维流形特征输入DBN,利用少量昂贵的有标签样本和大量廉价的无标签样本,二次挖掘故障特征,并构建Soft-max分类器最终识别出机械设备的故障模式。将该半监督模型应用于轴承故障和齿轮裂纹的识别中,试验结果表明,LE算法有效降低了模型的时间复杂度,增强了特征提取的智能性,提高了诊断效率;DBN网络可以充分挖掘故障特性,得到更好的特征表示,提高了分类精度。此外,该模型在不平衡的训练标签下也实现了很好的诊断效果,且适用于多传感器特征融合的诊断,具备实际应用的价值。

关 键 词：拉普拉斯特征映射 深度置信网络  半监督  故障诊断

分 类 号：TH133]