《机械工程学报》第四届高影响力论文系列报道（三）
《机械工程学报》、《Chinese Journal of Mechanical Engineering》是由中国科学技术协会主管、中国机械工程学会主办的中国机械工程领域的顶级学术刊物，主要报道机械工程领域及其交叉学科具有创新性的基础理论研究、工程技术应用的优秀科研成果，两刊均已成为国内外机械工程领域具有高影响力的学术期刊。
科学的未来在青年。在我国从“制造大国”向“制造强国”迈进之时，青年科技工作者是科技创新的生力军。《机械工程学报》编辑部JME学院旨在团结青年、凝聚青年、服务青年，构建平等、宽松、自由的学术交流平台。
高影响力论文评选活动由中国机械工程学会、两刊编委会、董事会以及编辑部JME学院共同组织策划，旨在评选出创新性强、学术影响力高、关注度广的优秀论文，并予以奖励优秀论文的作者。
高影响力论文获奖作者代表
论文题目：基于改进堆叠降噪自编码的滚动轴承故障分类
论文作者：侯文擎 叶鸣 李巍华
作者代表：李巍华
单位： 华南理工大学
职务/职称：副院长/教授
研究方向：
装备智能运维与健康管理
智能驾驶环境感知与决策控制
车辆振动噪声与控制技术
个人简介：博士，教授，博士生导师，华南理工大学机械与汽车工程学院副院长。IEEE仪器测试学会状态监测与故障诊断仪器技术委员会联合主席；中国机械工程学会高级会员、设备与维修分会常务理事；中国振动工程学会理事、故障诊断专业委员会常务理事、机械动力学专业委员会理事；广东省机械工程学会设备与维修工程分会副理事长。发表论文80余篇；授权发明专利8件；出版专著4部。主持国家重点研发计划项目课题1项，国家自然科学基金项目4项，广东省重点研发计划课题1项，主持省部级企业合作开发项目10余项。
摘要
作为一种新兴的机器学习方法，深度学习在故障诊断领域逐渐得到了应用。其中，堆叠降噪自编码（Stacked de-noising auto-encoders，SDAE）算法先对原始数据添加"损伤噪声"，然后通过自编码网络进行数据重构，从而得到更鲁棒性的特征表示，易于进行故障分类。然而针对具体的故障诊断问题，网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此，提出一种改进的SDAE诊断方法，利用粒子群算法（Particle swarm optimization，PSO）对DAE网络超参数进行自适应的选取来确定SDAE网络结构，据此得到故障状态的特征表示，输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证，试验结果表明，基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机（Support vector machine，SVM）、反向传播神经网络（Back propagation，BP）以及深度置信网络（Deep belief network，DBN）。
图1 PSO-SDAE训练和测试故障诊断流程图
图2 某企业数控机床-智能主轴系统
资助项目
国家自然科学基金（51475170）和中央高校基本科研业务费专项资金
创新点
1)提出一种基于粒子群算法(PSO)的堆叠降噪自编码(SDAE)网络超参数选取方法，自适应选取网络的隐含层节点数、稀疏参数以及输入数据置零比例，并构建了PSO-SDAE诊断模型。
2)自编码网络通过引入“稀疏”和“损伤加噪”构成了具有稀疏性质的DAE网络，使所提模型学习更加鲁棒性的特征表示。与SVM，BP以及DBN算法比，所提方法具有更好的分类性能。
引用本文
侯文擎, 叶鸣, 李巍华. 基于改进堆叠降噪自编码的滚动轴承故障分类[J]. 机械工程学报, 2018, 54(7): 87-96.
您对该文章感兴趣，可以点击下方“阅读原文”或识别二维码，免费下载全文！拿走不谢！
有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。
推荐阅读
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!
商务合作：
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