基于深度置信网络的旋转机械在线故障诊断

针对现有旋转机械在线故障诊断算法所存在的数据遍历耗时长,检测准确率低,故障分类准确率低等不足,提出一种基于深度置信网络的故障诊断算法。先基于受限的玻尔兹曼机搭建深度置信网络框架,利用数据标签在输入层和后端的受限玻尔兹曼机之间建立联系;然后利用k-means算法压缩聚类处理数据集降低数据集的规模和复杂度;最后在不同故障特征的分类诊断方面,引入加入核函数的SVM分类算法,提升对不同机械故障类型的分类精度。实验结果显示,提出的旋转机械故障在线诊断方案的迭代效率高,数据遍历耗时少,训练集和测试集 F1指标的分别为97.9%和97.4%,训练集和测试集结果相对于三种传统诊断算法分别提升了3.70%、4.37%、4.82,和3.95%、4.50%和4.50%。