深度学习在故障诊断领域中的研究现状与挑战.docxVIP

— PAGE \* Arabic 1 — 深度学习在故障诊断领域中的研究现状与挑战 深度学习的基本模型框架包括深度置信网络(DBN)、卷积神经网络(CNN)、堆叠自动编码机(SAE)、递归神经网络(RNN)。  1、深度置信网络(DBN)的故障诊断研究现状  DBN是一种典型的深度学习方法, 可以通过组合底层特征形成更加抽象的高层表示,发现数据的分布式特征,其动机在于建立模型模拟人类大脑的神经网络连接结构,通过多个非线性运算隐含层的多层感知器对输入数据进行分布式表征,并且能够在样本集有限的情况下实现学习数据集的本质特征,达到实现量测数据从低级到高级的特征表示与提取。  优势：  1.在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状态的智能诊断;  2.该方法对时域信号没有周期性要求,具有较强的通用性和适应性;  3.其具有处理高维、非线性数据的能力,且可有效地避免发生维数灾难和诊断能力不足等问题.从此角度看,深度置信网络非常适合处理新时期工业“大数据”的故障诊断难题.  此文是将DBN用于实现传感器健康状态特征的分类, 而没有实现基于DBN的特征表达与提取, 需要进一步深入研究, 但确实为实现基于DBN故障诊断方法迈出了一大步.  用法: 一种用DBN 作分类器, 另一种用