基于基尼的深度解卷积方法在机械装备故障诊断中的应用研究
石惠芳, 苗永浩, 夏雨
2024, 27 (4):
9-18.
doi: 10.3969/j.issn.1007-7375.240076
解卷积方法是机械装备故障诊断的有力工具,但传统研究仍属于浅层特征提取,难以处理极低信噪比情况。针对此问题,在传统解卷积理论的基础上引入特征学习思想,提出一种基于基尼指数(Gini index, GI)的稀疏特征深度解卷积方法(GI-based sparse deep deconvolution, GI-SDD)进行机械装备早期故障诊断。采用频带均分策略初始化输入层滤波器,为后续解卷提供方向。以能够表征机械故障稀疏特征的GI作为损失函数,指导深度网络进行训练。基于广义的特征向量法(eigenvector algorithm, EVA)执行权重优化,进而对微弱故障特征进行逐层学习。利用相关系数和包络谱峭度(envelope kurtosis, EK)准则联合评价故障信息,降维输出最为显著的故障分量。经仿真分析及试验验证,所提方法对背景噪声具有强鲁棒性,故障特征得到显著加强,其EK值相较于传统MED和MGID结果分别提升163.43%和187.11%。
参考文献 |
相关文章 |
计量指标
|