基于深度学习的轴承健康因子无监督构建方法-hxcntk.PDF

39 6 仪 器 仪 表 学 报 Vol. 39 No. 6 第 卷 第 期 2018 6 Chinese Journal of Scientific Instrument Jun． 2018 年 月 DOI :10． 19650 /j． cnki． cjsi． J1803218 基于深度学习的轴承健康因子无监督构建方法* 1 1 1 2 ， ， ， 赵 刘 姜 胡 聪 光权 小勇 泽东 (1. 哈尔滨工业大学自动化测试与控制系 哈尔滨 150080 ;2. 广西自动检测技术与仪器重点实验室 桂林 541004) : (HI) 、 、 ， 摘 要 传统的轴承健康因子 构建方法一般需要由人工进行特征提取 特征选择 特征融合 并需要依赖大量专家经验和 ， ， ， 。 ， 信号处理技术 且需要预先设计训练标签 过程费时费力 方法不具有通用性 因此 提出一种新的基于堆叠去噪自编码器 (SDAE) HI ， ， 的轴承 无监督构建方法 利用去噪自动编码机深层结构直接对原始轴承振动信号进行无监督的自适应特征提取 。 PHM2012 ， 进而输入到自组织映射网络进行特征降维从而获取轴承的健康状态表征值 在 轴承数据集上的实验结果表明 构建 HI ， HI ， 出的轴承 曲线可以较好地反映轴承全寿命周期内的退化过程 相比于传统的 构建方法具备更好的时间关联性和单调性 ， ， 。 并且该方法无需依赖复杂的信号处理方法 整个过程以无监督的方式进行 具备一定的通用性 : ; ; ; 关键词 轴承健康因子 深度学习 去噪自编码器 无监督学习 中图分类号:TP206 + ． 3 TH17 文献标识码:A 国家标准学科分类代码:510. 40 Unsupervised health indicator of bearing based on deep learning 1 1 1 2 Zhao Guangquan ，Liu Xiaoyong ，Jiang Zedong ，Hu Cong (1． Department of Automatic Test and Control ，Harbin Institute of Technol