Introduction包含的主要内容
举个例子
不妨以论文A novel deep autoencoder feature learning method for rotating machinery fault diagnosis为例进行分析说明。
介绍背景
- 旋转机械在现代工业中被广泛使用。旋转机械的关键部件在高负荷,强冲击,高速度,背景噪音大的恶劣工况下不可避免地会出现各种故障[1], [2], [3] 。这些故障可能会造成巨大的损失和严重的人员伤亡。因此,自动,精确的旋转机械故障诊断已引起越来越多的关注。
文献总结回顾
- 振动分析是一种用于机器状态监测 的流行技术 [4]。利用振动信号的机械故障诊断可以转化为模式识别问题,包括三个主要步骤:特征提取,特征选择和故障分类[5],[6]。当前的模式识别方法,例如人工神经网络(ANN)和支持向量机(SVM),已广泛用于旋转机械故障诊断[7],[8],[9],[10]。但是,它们具有三个固有的缺点:(1)测得的振动信号通常是非线性且不稳定的,有用的故障特征信息通常会被沉重的背景噪声所淹没[11] 。因此,必须掌握先进的信号处理技术以进行有效的特征提取。(2)敏感特征是根据特定的故障诊断问题手动选择的,但是对于新问题它们通常是不可移植的[12] 。因此,迫切需要有效的特征学习方法来自动捕获有用的故障特征。(3)SVM和ANN是浅层架构,具有不超过一个非线性特征变换[13]。多项研究结果表明,浅层架构缺乏强大的表示功效,并且难以有效地学习机械故障诊断问题中的复杂非线性关系[14],[15],[16] 。因此,有必要设计用于旋转机械故障诊断的深层架构。
- 深度学习是一种新的无监督特征学习方法,具有多个隐藏的表示层[17]。深度学习的最大优点是,每个隐藏层的特征都不是手动设计的,也就是说,它们是从输入数据中自动学习的[18] 。尽管深度学习已为各种任务产生了非常令人满意的结果,这不足为奇,但对于机械故障诊断,它仍处于起步阶段。Tamilselvan等。深度学习在飞机发动机故障诊断中的应用[19] 。Tran等。深度学习用于往复式压缩机阀门的故障诊断[20] 。邵等人。建议的优化深学习模型对滚动轴承故障诊断[21] 。但是,在这些方法中仍然存在手动信号处理或特征选择的问题,换句话说,他们将深度学习模型视为传统的分类器,而忽略了深度学习从原始振动信号中自动捕获有用信息的强大能力。
- 深度自动编码器是一种流行的深度学习模型,已成功用于各种应用程序中[22] 。由于其简单性和效率,均方误差(MSE)已被广泛应用于设计深度自动编码器损耗函数[23] 。当信号不受复杂噪声干扰时,MSE下的标准深度自动编码器通常会表现良好。然而,在大多数实际情况下,所测得的振动信号总是受可变的工作条件和沉重的背景噪声影响,这使得标准深度自动编码器的性能迅速下降[24],[25]。因此,新型深度自动编码器损耗函数的研究和开发已成为当务之急。
创新点
- 本文提出了一种新颖的深度自动编码器特征学习方法,用于旋转机械故障诊断。该方法用于齿轮箱和机车 滚子轴承的故障诊断。结果表明,所提方法比其他方法更有效,更鲁棒。我们工作的主要贡献可以总结如下。
(1)为了摆脱对信号处理技术和诊断经验的依赖,我们提出了一种深层的自动编码器特征学习方法,可以从被测振动信号中自动有效地学习有用的故障特征。
(2)为了消除背景噪声的影响并增强特征学习能力,最大熵被用于设计新的深度自动编码器损耗函数。
(3)为了使深度自动编码器能够适应信号特性,采用人工鱼群算法(AFSA)对其关键参数进行优化。
本文结构
- 本文的结构如下。在第2节中,简要介绍了自动编码器的基本原理。建议的方法在第3节中进行描述。在第4节中,对变速箱的实验诊断结果进行了分析和讨论。第五部分介绍了该方法的工程应用。最后,第6节给出了一般性结论。