基于融合型深度学习的滚动轴承亚健康识别算法

摘要 深度学习模型增加了隐含层的层数，使得该模型在语音识别、图像视频分类等方面取得了不错的效果；但建立一个适合特定对象的模型需要大量的数据集来训练，而且需要较长时间才能获得合适的权重和偏置，为此提出一种基于深度自动编码器-相关向量机网络模型的滚动轴承亚健康诊断方法。首先，采集滚动轴承振动信号并进行傅里叶变换和归一化处理；其次，设计改进的自动编码器-稀疏边缘降噪自动编码器，结合了稀疏自动编码器和边缘降噪自动编码器的特点；接着建立深度自动编码器-相关向量机网络模型，用有监督的函数对各个隐含层的参数进行微调，并利用相关向量机（RVM）进行训练；最后将得到的分类根据D-S证据理论融合并得出最终的分类结果。实验结果表明所提算法能有效提高滚动轴承"亚健康"状态的识别精度，纠正错误分类