堆叠自编码器在样本不充足下的轴承故障诊断方法

摘要

深度学习作为一种实用的大数据处理工具,在机械智能故障诊断领域也受到广泛关注,许多研究者已经成功地将深度学习模型应用于故障诊断领域.但这些研究往往忽略了两个重要的问题:(1)当原始训练数据集不足时,模型训练过程不理想;(2)网络模型的学习内容不明确.为了克服上述不足,提出一种新的数据增强的堆叠自编码器(DESAE)框架,该框架由数据增强模块和故障分类模块组成.在数据增强模块中,采用SAE生成模拟信号,对不充足的训练数据进行增强.在故障分类模块中,利用增强的数据集训练另一个SAE模型并进行故障样本类型识别.同时,利用轴承数据集验证该方法的有效性.此外,为了更便于理解DESAE工作过程,对其各层学习特性进行可视化分析.