一种基于自编码器相关性的自动化机器轴承健康监测与预测方法
机器学习
2017-03-21 v1 神经与进化计算
机器学习
摘要
本文研究一种用于常见旋转机械部件，特别是轴承的健康监测与预测的智能终极技术。在一次运行至故障的实验中，通过训练好的稀疏自编码器从振动传感数据中提取丰富的无监督特征。然后，计算初始样本（测试开始时假定为健康）的提取属性与后续样本属性的相关性，并通过移动平均滤波器。归一化后的输出被称为基于自编码器相关性的（AEC）率，它代表了系统的一个信息性属性，描绘其健康状态并精确识别退化起始点。我们展示了AEC技术在多次运行至故障测试中具有良好的泛化能力。AEC完全自主地从振动数据中收集丰富的无监督特征。我们证明了AEC在机器轴承健康监测与预测方面优于许多其他最先进的方法。
引用
@article{arxiv.1703.06272,
title = {An Automated Auto-encoder Correlation-based Health-Monitoring and Prognostic Method for Machine Bearings},
author = {Ramin M. Hasani and Guodong Wang and Radu Grosu},
journal= {arXiv preprint arXiv:1703.06272},
year = {2017}
}