基于DropOut降噪自编码的磨矿系统故障诊断
CSTR:
作者:
作者单位:

(1. 中国科学院沈阳自动化研究所工业信息学重点实验室,沈阳110016;2. 中国科学院大学,北京100049;3. 北方重工集团有限公司,沈阳110860;4. 东北大学信息科学与工程学院,沈阳110004)

作者简介:

曲星宇(1984-), 男, 博士生, 从事大型工业设备自动控制、网络控制系统的研究;曾鹏(1976-), 男, 研究员, 博士生导师, 从事无线传感器网络、工业无线通信等研究.

通讯作者:

E-mail: quxingyu_qxy@163.com

中图分类号:

TP273

基金项目:


DropOut denoising autoencoder-based fault diagnosis for grinding system
Author:
Affiliation:

(1. Key Laboratory of Industrial Informatics,Shenyang Institute of Automation Chinese Academy of Sciences,Shenyang 110016,China;2. University of Chinese Academy of Sciences,Beijing 100049,China;3. Northern Heavy Industries Group Co Ltd,Shenyang 110860,China;4. College of Information Science and Engineering,Northeastern University,Shenyang 110004,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    磨矿系统的故障诊断主要依靠工人的经验,这为故障诊断增加了大量不确定性.此外,磨矿系统的数据较为复杂,不仅工人难以对故障的发生进行准确判断,而且传统机器学习算法也由于数据的线性不可分而表现不佳.为了解决线性不可分问题,使用神经网络进行故障分类;面对故障数据的高复杂度,为提高神经网络的表达能力,使用自动编码器增加网络深度;为减弱深层网络带来的过拟合现象,引入DropOut降噪自编码.最后进行实验验证,实验结果表明,DropOut降噪自编码网络对于故障的分类准确率可达到90.4%.

    Abstract:

    The current fault diagnosis of the grinding system mainly relies on the experience of the workers, which adds a lot of uncertainty to the fault diagnosis. In addition, the grinding system data is too complex, which makes it hard for the workers to judge, and brings about poor performance for traditional machine learning algorithms due to the linear indivisiblity. In order to solve the problem of linear indivisibility, we use neural network for fault classification. In face of the high complexity of fault data, we use autoencoder to increase network depth in order to improve the expression ability of neural network. To reduce the over-fitting brought by deep network, we introduce DropOut and denoising autoencoder. Finally, the experimetal results show that the DropOut denoising autoencoder(DDA) can make the accruacy rate of the fault classification be 90.4% fault classification.

    参考文献
    相似文献
    引证文献
引用本文

曲星宇,曾鹏,徐承成,等.基于DropOut降噪自编码的磨矿系统故障诊断[J].控制与决策,2018,33(9):1662-1666

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2018-09-06
  • 出版日期:
文章二维码