机械工程学报

作者：张鑫, 郭顺生, 李益兵, 江丽

单位：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

关键词：拉普拉斯特征映射,深度置信网络,半监督,故障诊断；

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）和湖北省科技支撑计划（2015BAA063、2014BAA032）资助项目。

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。

来源：2020年第1期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2020年第1期