论文研读《Deep Learning and Its Applications to MachineHealth Mon

时间:2022-08-09 18:17:12

machine health monitoring 机械健康诊断

数据驱动的机器健康监测系统提供了一种自下而上的解决方案,用于在发生某些故障(诊断)后检测故障,并预测未来工作条件和剩余使用寿命(预测)。

众所周知,复杂的工作环境和噪声的存在阻碍了物理模型的建立。而这些基于物理的模型大多无法用在线测量数据进行更新,这限制了它们的有效性和灵活性。另一方面,随着传感器、传感器网络和计算系统的飞速发展,数据驱动的机器健康监测模型越来越受到人们的关注,为了从大数据中提取有用的知识并做出适当的决策,机器学习技术被认为是一种强有力的解决方案。深度学习是连接大型机械数据和智能机械健康监测的桥梁。

考虑到深度学习处理大规模数据和学习高级表示的能力,深度学习可以成为机械健康监测系统(mhms)的一个强大而有效的解决方案。

基于深度学习的mhms旨在通过建立具有多层非线性变换的深度神经网络,从输入数据中提取层次表示。直观地说,一层操作可以看作是从输入值到输出值的转换。因此,一层的应用程序可以学习输入数据的新表示,然后,多层的堆栈结构可以使mhms从可以从原始输入构造的简单概念中学习复杂概念。

与传统的数据驱动mhms相比,基于dl的mhms不需要大量的人力和知识来进行手工特征设计。

深度学习旨在学习数据的分层表示。

在本文中,学习表征的辨别力可以随着层次的增加而提高。

本文将原始振动信号、mel频率倒谱系数(mfcc)和小波特征三种不同的特征集作为对应的三种不同输入,分别输入到dbn中,可以在不影响原始振动信号的情况下获得鲁棒的比较性能。

在某些情况下,机械数据可以用二维格式(如时频谱)表示,而在某些情况下,机械数据可以用一维格式(即时间序列)表示。

深入学习对机器健康监测有着越来越广阔的应用前景,特别是在大数据时代。