☼
下载全文
如您对该文章感兴趣，您可以在我们的微信公众平台回复“20171118”,免费下载全文！拿走不谢！
其他
《机械工程学报》首届高影响力论文系列报道（三）
三
基于深度学习理论的机械装备大数据健康监测方法
雷亚国 贾 峰 周 昕 林 京
作者代表：雷亚国
出生年月：1979年4月
工作单位：西安交通大学
职务/职称：教授、博导
研究方向：
机械系统动态建模
机械信号处理与分析
大数据下智能故障诊断
机械装备剩余寿命预测
机械装备健康监测与智能维护
论文所在课题项目研究进展：
论文所属项目为国家自然科学基金面上项目“大数据下基于深度学习的机电设备智能诊断理论与方法研究”（项目编号：61673311），取得了以下研究进展：建立了局部连接稀疏神经网络，从原始振动信号自适应学习机械故障特征，摆脱了传统特征提取方法对信号处理技术与专家诊断经验的依赖，并以“内积变换”的视角阐述了稀疏神经网络在机械故障特征提取中的物理意义；提出时移不变受限玻尔兹曼机模型，获取了振动信号与特征之间的联合概率分布，有效识别了机械装备的健康状态；建立了基于深度递归神经网络的健康指标构建方法，通过提取相对相似性特征，并统一特征的分布区间，使得建立的健康指标能够定量描述装备的退化过程。
项目相关成果撰写了英文专著1部，发表了SCI论文3篇，其中1篇入选了ESI热点论文(0.1%)以及中国百篇最具影响国际学术论文、1篇入选了ESI高被引论文(1%)，获国际学术会议最佳论文奖1篇，获授权发明专利1件。与华电电力科学研究院共同开发了大数据下风电装备健康监测平台，部分成果正在平台上进行测试与验证。
获奖论文摘要:
机械装备正在朝着高速、高精、高效方向发展，为了确保这些装备的健康运行，健康监测系统采集了海量数据来反映机械的健康状况，促使机械健康监测领域进入了“大数据”时代。机械大数据具有大容量、多样性与高速率的特点，研究和利用先进的理论与方法，从机械装备大数据中挖掘信息，高效、准确地识别装备的健康状况，成为机械装备健康监测领域面临的新问题。深度学习理论作为模式识别和机器学习领域最新的研究成果，以强大的建模和表征能力在图像和语音处理等领域的大数据处理方面取得了丰硕的成果。结合机械大数据的特点与深度学习的优势，提出了一种新的机械装备健康监测方法。该方法通过深度学习利用机械频域信号训练深度神经网络，其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖，完成故障特征的自适应提取与健康状况的智能诊断，因此克服了传统智能诊断方法的两大缺陷：需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征；使用浅层模型难以表征大数据情况下信号与健康状况之间复杂的映射关系。试验结果表明，该方法实现了多种工况、大量样本下多级齿轮传动系统不同故障位置不同故障类型的故障特征自适应提取与健康状况准确识别。
推荐阅读
3. 荣耀当下，展望未来！《机械工程学报》首届高影响力论文暨2018年重点刊登方向发布会成功召开
版权声明：
本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！
在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!
联系我们：
联系人：张强
电话：010-88379891-2
E-mail：cjmezhang@126.com
网 址：http://www.cjmenet.com.cn
官方微信号：jmewechat