کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7122885 1461494 2016 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis
ترجمه فارسی عنوان
شبکه عصبی پیچیده عمیق سازگار سلسله مراتبی و کاربرد آن برای تشخیص خطا
کلمات کلیدی
تشخیص گسل، استخراج ویژگی، نرخ یادگیری سازگار، شبکه پیچیدگی عمیق، ساختار سلسله مراتبی،
ترجمه چکیده
روش های مصنوعی سنتی و روش های مبتنی بر هوشمند طبقه بندی و تشخیص گسل های مکانیکی مختلف با دقت بالا با استخراج ویژگی های موثر از داده های ارتعاشی، مانند ماشین های بردار پشتیبانی و شبکه های عصبی عقب انداخته، به طور گسترده مورد بررسی قرار گرفته اند. با این حال، مشکلات استخراج ویژگی ها به صورت خودکار بدون افزایش قابل توجهی افزایش تقاضا برای تخصص ماشین آلات و به حداکثر رساندن دقت بدون بیش از حد پیچیده ساختار ماشین تا به امروز هنوز حل نشده است. بنابراین، در این مطالعه، یک شبکه عصبی پیچیده عمیق سازگار مبتنی بر مدل جدید سلسله مراتبی مبتنی بر الگوریتم بهبود یافته در این مطالعه پیشنهاد شده است و استفاده از آن برای تشخیص گسل های تحمل شده و تعیین شدت آنها مورد بررسی قرار گرفته است. برای آزمایش اثربخشی روش پیشنهادی، آزمایشی با داده های داده های گشتاور تحمل به دست آمده از یک تست واحد انجام شد. این روش به لحاظ هر دو روش شناسایی خطای و ارزیابی خطا به یک عملکرد رضایت بخش رسیده است. علاوه بر این، مقایسه نشان داد که الگوریتم بهبود یافته به خوبی برای مدل تشخیص خطا مناسب است و روش پیشنهاد شده برتر از سایر روش های موجود است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
شبکه عصبی پیچیده عمیق سازگار سلسله مراتبی و کاربرد آن برای تشخیص خطا
چکیده انگلیسی
Traditional artificial methods and intelligence-based methods of classifying and diagnosing various mechanical faults with high accuracy by extracting effective features from vibration data, such as support vector machines and back propagation neural networks, have been widely investigated. However, the problems of extracting features automatically without significantly increasing the demand for machinery expertise and maximizing accuracy without overcomplicating machine structure have to date remained unsolved. Therefore, a novel hierarchical learning rate adaptive deep convolution neural network based on an improved algorithm was proposed in this study, and its use to diagnose bearing faults and determine their severity was investigated. To test the effectiveness of the proposed method, an experiment was conducted with bearing-fault data samples obtained from a test rig. The method achieved a satisfactory performance in terms of both fault-pattern recognition and fault-size evaluation. In addition, comparison revealed that the improved algorithm is well suited to the fault-diagnosis model, and that the proposed method is superior to other existing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 93, November 2016, Pages 490-502
نویسندگان
, , ,