基于改进深度信念网络的旋转机械故障诊断研究
【摘要】 旋转机械装备轴承、齿轮箱等关键对象的健康状态监测正在步入大数据、智能化时代。传统的轴承故障诊断方法大多数依靠人工提取特征，需要依赖于复杂的信号处理方法以及丰富的专业经验积累，因此将改进的深度信念网络(Deepbeliefnetwork，DBN)引入到故障诊断领域中:引入高斯-伯努利受限玻尔兹曼机模型(Gauss-BernoulliRestrictedBoltzmannMachine，GB-RBM)解决传统受限玻尔兹曼机输入向量受限于伯努利二值分布且对于非二项分布的数据重构拟合效果较差的问题;引入Dropout技术提高算法泛化能力并采用Adam优化器加快模型收敛速度以解决反向微调阶段随机梯度下降法收敛速度慢且容易陷入局部最优解的问题。试验结果表明，相较于传统深度信念网络，提出的GBRBM-DBN模型收敛速度更快、分类效果更好。
