西南交通大学学报
西南交通大學學報
서남교통대학학보
Journal of Southwest Jiaotong University
2015年
5期
776-782
,共7页
黄海波%李人宪%杨琪%丁渭平%杨明亮
黃海波%李人憲%楊琪%丁渭平%楊明亮
황해파%리인헌%양기%정위평%양명량
减振器%异响鉴别%深度学习%玻尔兹曼机%深度信念网络
減振器%異響鑒彆%深度學習%玻爾玆曼機%深度信唸網絡
감진기%이향감별%심도학습%파이자만궤%심도신념망락
shock absorber%abnormal noise identification%deep learning%restricted Boltzmann machine%deep belief networks
针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题,分析了深度信念网络(deep belief networks,DBNs)在减振器异响鉴别中的应用,并结合减振器整车与台架试验提出了完整的减振器异响鉴别流程.该方法只需将收集到的减振器活塞杆顶端振动加速度信号作为输入,经过DBNs模型逐层特征学习便可进行减振器异响鉴别.同时将鉴别结果与经典的BP神经网络、支持向量机以及传统的3种人工特征提取方法进行对比分析.结果表明:在输入仅为原始信号的条件下,深度信念网络模型对减振器异响鉴别的准确率为96.7％,表明了深度信念网络在减振器异响甄别中的优越性,具有广泛的工程应用前景.
針對人工經驗提取特徵進行減振器異響鑒彆的複雜性與不可擴展性的問題,分析瞭深度信唸網絡(deep belief networks,DBNs)在減振器異響鑒彆中的應用,併結閤減振器整車與檯架試驗提齣瞭完整的減振器異響鑒彆流程.該方法隻需將收集到的減振器活塞桿頂耑振動加速度信號作為輸入,經過DBNs模型逐層特徵學習便可進行減振器異響鑒彆.同時將鑒彆結果與經典的BP神經網絡、支持嚮量機以及傳統的3種人工特徵提取方法進行對比分析.結果錶明:在輸入僅為原始信號的條件下,深度信唸網絡模型對減振器異響鑒彆的準確率為96.7％,錶明瞭深度信唸網絡在減振器異響甄彆中的優越性,具有廣汎的工程應用前景.
침대인공경험제취특정진행감진기이향감별적복잡성여불가확전성적문제,분석료심도신념망락(deep belief networks,DBNs)재감진기이향감별중적응용,병결합감진기정차여태가시험제출료완정적감진기이향감별류정.해방법지수장수집도적감진기활새간정단진동가속도신호작위수입,경과DBNs모형축층특정학습편가진행감진기이향감별.동시장감별결과여경전적BP신경망락、지지향량궤이급전통적3충인공특정제취방법진행대비분석.결과표명:재수입부위원시신호적조건하,심도신념망락모형대감진기이향감별적준학솔위96.7％,표명료심도신념망락재감진기이향견별중적우월성,구유엄범적공정응용전경.
