کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7120429 1461460 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis
ترجمه فارسی عنوان
تلفیق بسته های موجک چند سطحی در شبکه عصبی پیچیده شبکه پویا برای تشخیص خطا
کلمات کلیدی
ترجمه چکیده
با توجه به ساختار پیچیده و شرایط عملیاتی مختلف ماشین آلات در برنامه های کاربردی مختلف، شناسایی هوشمند وضعیت سلامت بر اساس اطلاعات ارتعاش هنوز یک چالش بزرگ در تشخیص خطا است. در این مقاله نوعی از شبکه عصبی کانولوشن، به نام شبکه های عصبی پیچیده شبکه دینامیک برای تشخیص خطا بوسیله ی تلفیق هوشمند بسته ی موجلی چند سطح پیشنهاد شده است. ابتدا تبدیل قطر موجک برای ساختن ماتریس ضریب موجک چندسطحی برای نشان دادن سیگنال لرزش ناپایدار به طور جامع مورد استفاده قرار گرفت. سپس، چندین شبکه عصبی کانولوشن همزمان با پارامترهای مشترک ساخته شد، نه تنها برای یادگیری ویژگی های گسل های چند سطحی به صورت خودکار، بلکه همچنین برای محدود کردن انتقال بیش از حد یادگیری عمیق. در نهایت، یک لایه گروه پویا برای جبران بسته های موجکی چند سطحی با اعطای وزن به صورت پویا اعمال شد. اعتبارسنجی در دو مجموعه داده های تجربی گیربکس سیاره ای با سرعت متغیر نشان می دهد که روش توسعه می تواند ویژگی های خطا در بسته های موجلی چند سطح را به طور کامل متصل کند و اثربخشی و قابلیت اطمینان را برای تشخیص خطا در جعبه دنده را بهبود بخشد تا این که آیا اطلاعات گسل کافی یا محدود شرایط
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
تلفیق بسته های موجک چند سطحی در شبکه عصبی پیچیده شبکه پویا برای تشخیص خطا
چکیده انگلیسی
Due to the complicated structure and varying operating conditions of machinery in various applications, intelligent identification of the health state based on the vibration data is still a great challenge in fault diagnosis. In this paper, a variant of the convolutional neural network, named dynamic ensemble convolutional neural network was proposed for fault diagnosis by intelligent fusion of the multi-level wavelet packet. First, wavelet packet transform was employed to construct multi-level wavelet coefficients matrixes for representing the nonstationary vibration signal comprehensively. Then, several paralleled convolutional neural networks with shared parameters were built, not only to learn the multi-level fault features automatically, but also to restrain the overfitting of the deep learning partially. At last, a dynamic ensemble layer was applied to fuse multi-level wavelet packet by assigning weights dynamically. The validation on two experimental datasets of the planetary gearbox under varying speed demonstrated that the developed method can fuse the fault features in multi-level wavelet packet thoroughly, and improve the effectiveness and robustness for fault diagnosis of gearbox under whether the sufficient or limited fault data conditions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Measurement - Volume 127, October 2018, Pages 246-255
نویسندگان
, , ,