为解决上述问题,本文提出了一种基于深度学习的多模式故障分类方法。
首先建立一个 DNN 模型,用于多种模态的划分; 第二步是构建一个新的 DNN 网
络用于为每个模态的训练,划分出故障组件;最后,对于一个在给定模态下的某
个故障,构造另一个 DNN 模型,以不同的故障尺寸对这些观测数据进行分类。
文中剩下的部分组织结构如下:第二部分概述深度学习理论背景;第三部分
提出了一个基于深度学习的分层多模态故障分类模型;第四部分通过实验和仿真
分析得到提出的多模态故障诊断方法的有效性;最后是本文的结论部分。
2 深度学习理论
深度学习是一种基于无监督特征学习方法。我们用深度学习理论来构建
DNN。DNN 训练主要包括两个步骤:(1)利用无监督学习算法对网络进行逐层
预训练;(2)利用反向传播算法对整个网络的网络参数进行有监督微调。本文通
过堆叠多个自动编码器(Autoencoder,AE)对 DNN 进行预训练。
2.1 自动编码器
自动编码器是一种无监督机器学习结构,通常是一个三层前向型人工神经网
络,如图 1 所示,主要由输入层、隐含层和输出层组成。自动编码器是一种很特
别的神经网络,即输出等于输入,一个自动编码器网络通过多次训练调整网络参
数,使输出尽可能重构出输入。自动编码器主要由两部分构成:编码(Encoder)
和解码(Decoder),通过 Encoder 网络将输入数据进行特征变换,将输入数据从
高维空间数据编码为低维空间数据,获取输入数据在低维空间的特征表示,然后
通过 Decoder 网络将低维空间数据映射到高维空间,实现输出数据对输入数据的
重构,因此获取的低维空间数据可以作为输入的高维空间数据的特征表示。
Input Layer
…
…
…
Encoder Decoder
Hidden Layer Output Layer
图 1 自动编码器模型
给定一个无标签数据集
{ },( 1,2,..., ; 1,2,..., )
nm
x n N m M= =
,包含
个观测特征或
样 本 , 每 个 观 测 变 量 含 有
样 本 , 编 码 网 络 通 过 激 活 函 数
将 样 本
评论0