没有合适的资源?快使用搜索试试~ 我知道了~
深度梯度下降森林模型在轴承故障诊断中的应用.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 127 浏览量
2022-06-24
13:40:03
上传
评论 1
收藏 656KB DOCX 举报
温馨提示
试读
12页
深度梯度下降森林模型在轴承故障诊断中的应用.docx
资源推荐
资源详情
资源评论
0引言
轴承是机械设备的核心部件,直接关系其性能发挥。轴承故障轻则导致整机失效,降低生产效率,重
则导致人员伤亡
[1]
。轴承故障诊断可根据诊断结果及时提出解决方案,保证机械正常运行,减少或消
除机械故障事故。现阶段主流的轴承故障诊断方法分为基于特征工程的方法和基于深度学习的方法两
种。基于特征工程的方法主要通过对输入信号进行频谱分析( Frequency Analysis)
[2]
、经验模态
分析(Empirical Mode Decomposition,EMD)
[3]
、小波变换(Wavelet Transform,WT)
[4]
等处理 后提取得到特 征,再使用基于机器学习的分类 模型,如人工 神经网络( Arti#cial Neural
Networks , ANN )
[5]
、 支 持向 量 机 ( Support Vector Machine , SVM )
[6]
、 隐 马尔 可 夫 模 型
(Hidden Markov Model,HMM)
[7]
等对特征进行分类故障诊断。该类方法的特征提取与分类诊断
过程分离,过度依赖人工经验,误差较大。深度学习由于其强大的特征提取能力和端到端的学习特点 ,
能够直接从原始轴承信号数据中提取故障特征并进行分类诊断,打破了特征工程方法的局限性,使得
大量学者对其进行深入研究
[8]
。例如,Tamilselvan 等
[9]
提出了一种基于深度置信网络的故障诊断方
法,打开了深度学习在故障诊断领域应用的大门,证实了基于深度学习的故障诊断方法的优势; Lu 等
[10]
提出一种基于卷积神经网络(CNN)的轴承故障诊断方法,虽然具有较高的诊断精度,但模型不够
稳定;Zhang 等
[11 ]
提出一种一维 CNN 的深度学习模型,可以直接对轴承信号进行故障诊断,但该模
型需要大量数据进行前期学习;曲建岭等
[12]
提出一种无需手动提取特征的 CNN,但其训练超参数过
多,导致训练和诊断成本过高;李嫄源等
[13]
提出一种 SVM 与 PSO 相结合的电机轴承故障诊断方法,
但针对复杂的轴承分类问题容易陷入过拟合且泛化能力较差;宮文峰等
[14 ]
提出一种改进 CNN 的轴承
故障诊断方法,准确率达 99.04%,但无法在小数据集上进行诊断。由于轴承大多时候处于正常运转
状态,真实故障数据样本难以大量获取,上述基于深度学习的轴承故障诊断方法虽然在一定条件下可
取得较好效果,但在小样本、低开销的情况下,模型的稳定性、泛化性、鲁棒性仍需进一步提升。
深度森林(Deep Forest)模型在小规模数据集上的性能优于其他深度学习模型,且其超参数较少、
计 算 开 销 较 小 。 因 此 , 本 文 基 于 深 度 森 林 模 型 , 提 出 一 种 深 度 梯 度 下 降 森 林 ( Deep SGD-
Forest,DSGDF)模型用于轴承故障诊断。实验结果表明,该模型不仅继承了深度森林模型鲁棒性
强、泛化性好、超参数较少等优点,还避免了级联结构收敛速度慢的缺陷,实现了小样本条件下高精
度、低开销的有效诊断。
1算法模型
1.1深度森林模型
2017 年,Zhou 等
[15 ]
首次提出深度森林模型,该模型由级联森林结构与多粒度扫描结构两部分组成 ,
核心思想为对随机森林算法进行集成。其借鉴了深度神经网络( Deep Neural Network,DNN)中
的逐层结构(Layer-by-Layer),对前一层输入的样本数据和输出结果数据进行拼接操作后作为下
一层的输入数据。深度森林模型结构简单、计算开销小,模型复杂度可自适应伸缩,具有较强的鲁棒
性,在金融
[16 ]
、医学
[17 ]
、交通运输
[18]
、军事
[19]
等领域均有应用,且针对不同数据类型均取得了较好的
实验效果。
1.2DSGDF 模型
DSGDF 模型是基于深度森林模型改进而来,在继承了深度森林较少超参数、小样本学习、鲁棒性强、
泛化性好等优点的基础上,通过集成梯度下降算法改善了级联结构收敛速度慢的问题,使得计算和优
化开销变小。
1.2.1梯度下降算法
梯度下降算法是一种优化算法,其在训练数据时具有降低模型损失、提高训练速度和算法收敛速度等
优点
[20]
,表示为:
式中,α
n
为第 n 次迭代学习率,α 为首次学习率,μ 为衰减率,λ
n
为第 n 次迭代学习步数,λ 为总学
习步数。
1.2.2多粒度扫描结构
多粒度扫描是增强表征学习能力的结构。原始样本数据通过不同尺度的小窗口进行扫描,从而实现特
征转换,最终得到具有多样性的表征向量。
为应对轴承数据的固有特点,本文采用序列扫描的方式,过程如 图 1 所示。原始输入为 Adim 样本,
使用 Bdim、步长为 1 的小窗口进行滑动采样。通过一系列特征转换后得到 C=(A-B)/1+1 个 Bdim
特征子样本向量。将其送入梯度下降森林和完全随机森林中训练后得到每个森林的一个 C*E 的表征向
量,最后将图中每层森林产生的表征向量拼接在一起,得到最终样本输出并送入级联森林结构中进行
运算。
Fig. 1Multi-grained scanning process of mechanical bearing data
图 1机械轴承数据多粒度扫描过程
下载:原图^|高精图^|低精图
1.2.3级联森林结构
级联森林结构的每一层都由 2 个随机森林和 2 个完全随机森林组成。如图 2(彩图扫 OSID 码可见,
下同)左所示,蓝色代表完全随机森林,每个完全随机森林内含有 500 棵树,每个节点通过随机选取
一个特征作为判别条件,并根据所选取的判别条件生成子节点,直至每个叶子节点只包含同一类实例
才停止运算。白色代表随机森林,每个随机森林内也含有 500 颗树,根据 Breiman
[21]
提出的随机森
林算法规则进行运算,每个节点随机选择 个特征(d 为输入特征的数量),表示为:
Fig. 2Comparison of DSGDF model and deep forest model
图 2深度梯度下降森林模型与深度森林模型比较
下载:原图^|高精图^|低精图
式中,k 指 k 个类别,p
k
为第 k 个类别的概率,Gini(p)为基尼系数。
基尼系数为该节点的判别依据,直到每个叶子节点只包含同一类实例后停止运算。然而,相关实验表
明级联森林的收敛速度较慢。针对该问题,DSGDF 模型集成梯度下降算法,使级联森林的每一层都
由 5 个完全随机森林和 5 个梯度下降算法组成,如图 2 右所示。为防止最后产生的结果发生过拟合现
象,需经过 K 折交叉验证处理后输入到下一层。当级联森林结构扩展到新的层级后,之前所有级联结
构的效果将通过验证集评估,当评估结果无法得到进一步提升时则会自动结束训练过程。因此,级联
森林结构的层数与复杂度由训练过程自动确定,省去了大量调参的开销,提高了收敛速度,可使其结
构保持稳定收敛状态。
1.2.4算法实现步骤
输入训练集 T,测试集 S,验证集 M,N 为森林中子树数目,T1 为多粒度扫描后的训练集。具体算法
步骤为:
1 if T 是机械轴承数据 then
2 T=多粒度扫描 T1;
3 end if
译
4 for i=1 to 5
译
5 for j=1 to N
译
6 使用 T1 训练子树;
7 计算子树的诊断率;
8 计算当前子树所占森林的权重;
9 输入 S 至当前子树;
10 end for
译
11 分别计算当前森林在 T1 和 S 上的诊断率
12 end for
译
13 分别计算当前一层级联结构在 T1,S 上的诊断率
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3552
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功