[发明专利]一种自适应深度置信网络滚动轴承故障诊断方法有效
| 申请号： | 201910359605.2 | 申请日： | 2019-04-30 |
| 公开（公告）号： | CN110232435B | 公开（公告）日： | 2022-10-18 |
| 发明（设计）人： | 张义民;高淑芝;徐林涛;裴志明 | 申请（专利权）人： | 沈阳化工大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 沈阳技联专利代理有限公司 21205 | 代理人： | 张志刚 |
| 地址： | 110142 辽*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种自适应深度置信网络滚动轴承故障诊断方法，涉及一种轴承故障诊断方法，所述方法首先明确深度置信网络基本理论以及影响它本身分类效果的设计参数；SSA的基本理论描述和算法参数设置；将获得的数据分成训练样本和测试样本，结合最小批随机梯度下降法和无监督学习方法对DBN进行预训练，将自适应动量规则导入到DBN的每一个RBM中，构成SADBN训练模型；将上述模型与SSA优化方法结合；将测试集导入到已经训练好的SSA‑SADBN模型中，根据神经网络的输出判断其分类效果。本发明有效地利用了深度神经网络的数据挖掘能力；通过改进受限波尔茨曼机参数更新规则，有效地提升了滚动轴承故障诊断的分类精度，解决了人工提取特征的复杂性问题。 | ||
| 搜索关键词： | 一种 自适应 深度 置信 网络 滚动轴承 故障诊断 方法 | ||
【主权项】：
1.一种自适应深度置信网络滚动轴承故障诊断方法，其特征在于，所述方法包括以下步骤：步骤 1：首先明确深度置信网络基本理论以及影响它本身分类效果的设计参数；步骤 2：SSA的基本理论描述和算法参数设置；步骤 3：将获得的数据分成训练样本和测试样本，结合最小批随机梯度下降法和无监督学习方法对DBN进行预训练，将自适应动量规则导入到DBN的每一个RBM中，构成SADBN训练模型；步骤 4：将上述模型与SSA优化方法结合，能够快速找到最佳的深度网络结构，然后利用BP和共轭梯度下降法进行微调网络参数，实现最优模型；步骤 5：把训练样本和测试样本分成一定比例，将测试集导入到已经训练好的SSA‑SADBN模型中，根据神经网络的输出判断其分类效果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于沈阳化工大学，未经沈阳化工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910359605.2/，转载请声明来源钻瓜专利网。
