• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學習的故障檢測方法

    2017-11-03 02:57:06,,,,2
    計算機測量與控制 2017年10期
    關鍵詞:特征提取故障診斷樣本

    ,, ,,2

    (1.北京航天測控技術有限公司,北京 100041; 2.北京市高速交通工具只能診斷與健康管理重點實驗室,北京 100041)

    基于深度學習的故障檢測方法

    吳魁1,王仙勇1,孫潔1,黃玉龍1,2

    (1.北京航天測控技術有限公司,北京100041; 2.北京市高速交通工具只能診斷與健康管理重點實驗室,北京100041)

    針對傳統(tǒng)故障診斷方法中特征提取技術難度大、故障樣本獲取困難等問題,在深度學習計算框架下提出了一種半監(jiān)督訓練的故障檢測方法,利用深度信念網(wǎng)絡中的受限波茨曼機堆棧結(jié)構(gòu)實現(xiàn)了數(shù)據(jù)高層特征的自動提取,結(jié)合支持向量數(shù)據(jù)描述方法實現(xiàn)了異常數(shù)據(jù)檢測,只需利用正常工況的數(shù)據(jù)樣本進行網(wǎng)絡訓練和模型擬合,無需故障樣本數(shù)據(jù),也無需人工干預進行信號特征提取,即能實現(xiàn)對故障數(shù)據(jù)進行的實時檢測和判別;經(jīng)采用標準軸承實驗數(shù)據(jù)的三組故障數(shù)據(jù)進行驗證,故障識別率達到100%,具有很強的工程應用價值。

    深度學習;深度置信網(wǎng)絡;故障檢測

    0 引言

    隨著科技的進步,航空、航天、航海和高鐵等領域的設備日趨復雜和精密,系統(tǒng)組成環(huán)節(jié)和影響因素的增加以及運行環(huán)境和工況的復雜化,使得系統(tǒng)的可靠運行和維修保障面臨很大的挑戰(zhàn)[1]。故障診斷技術是一種多學科交叉的綜合性技術,其目的就是通過分析反映設備相關信息的數(shù)據(jù),準確判斷設備及其內(nèi)部組件是否出現(xiàn)故障,以決定其能否正常運行或需要進行維修和防護[2]。有效的故障診斷不僅能夠提高復雜設備的安全性和可靠性,還可以減少設備操作和維護成本。

    傳統(tǒng)的故障診斷方法包括基于機理模型的故障診斷方法和基于知識規(guī)則的故障診斷方法?;跈C理模型的故障診斷方法是最直接、最全面的一種方法, 該方法需要對被診斷對象的結(jié)構(gòu)、原理、功能和工作機制有一個清晰的認識,并能夠建立描述系統(tǒng)的數(shù)學模型,在獲取設備監(jiān)測數(shù)據(jù)后可通過系統(tǒng)模型進行精確的診斷[3]。但是,由于基于機理模型的故障診斷方法必須建立清晰的系統(tǒng)模型,使其在現(xiàn)代復雜系統(tǒng)的故障診斷應用中受到很大的限制?;谥R規(guī)則的故障診斷方法不需要建立描述復雜設備的數(shù)學模型,而采用專家系統(tǒng)、故障庫等方式完成判據(jù)規(guī)則的建立,在獲取設備監(jiān)測數(shù)據(jù)后利用判據(jù)規(guī)則進行故障診斷[4]?;谥R規(guī)則的故障診斷方法重度依賴于專家經(jīng)驗、知識等,如何高效地獲取、管理和應用專家知識本身也存在技術難度,同時由于新技術、新裝備的快速發(fā)展也造成了經(jīng)驗知識的匱乏,因此該方法的實際工程應用也面臨一定的困境。

    隨著信號處理、模式識別和人工智能等技術的發(fā)展,尤其是近年來機器學習(machine learning)技術研究取得的突破和顯著的應用效果,基于數(shù)據(jù)驅(qū)動的故障診斷方法已經(jīng)成為研究熱點[5],其一般方法為:采集設備系統(tǒng)相關監(jiān)測數(shù)據(jù),利用各種信號處理技術對采集來的原始數(shù)據(jù)進行故障特征提取形成特征狀態(tài)空間,再利用分類算法根據(jù)特征狀態(tài)進行分類,從而實現(xiàn)故障狀態(tài)的診斷識別,如圖1所示。

    其中原始信號的故障特征提取是該方法中影響診斷效果的關鍵。雖然國內(nèi)外學者開展了許多不同方面的研究[6],但由于設備的多樣性及迅猛發(fā)展,仍然存在以下不足:1)故障特征的確定和提取要求對采集的信號有深刻的理解并具備豐富的信號處理經(jīng)驗,需要構(gòu)建復雜的信號處理算法;2)某些工程應用中故障現(xiàn)象難以找出與之相對應的故障特征值;3)故障特征提取方法和故障分類方法互相關聯(lián),難以建立適應不同問題的通用處理算法;4)以上過程需要相應工程領域?qū)<裔槍Σ煌男盘栐O計不同的特征提取算法和分類算法,難以實現(xiàn)故障診斷的自動化處理,應用技術門檻很高。

    深度學習(Deep Learning)作為機器學習領域的一種新興方法,以其強大的自動特征提取能力已經(jīng)在圖像、語音識別等領域已經(jīng)取得了輝煌的成果[7-8]。深度置信網(wǎng)絡(DBN,Deep Belief Network)作為深度學習的經(jīng)典算法之一,以其優(yōu)異的特征提取和訓練算法,成功的解決了諸如特征提取、故障分類等問題[9]。將DBN應用在故障診斷領域主要有以下點優(yōu)勢:1)能從數(shù)據(jù)中自動提取特征,減少了因故障診斷過程中人工確定特征提取方法的局限性,降低了因特征提取方法不同導致的故障診斷結(jié)果的不確定性;2)與人工神經(jīng)網(wǎng)絡應用方式相似,在確定網(wǎng)絡結(jié)構(gòu)之后不再需要人工干預,可通過網(wǎng)絡的訓練實現(xiàn)對不同信號的自學習診斷,具有很強的通用性和實用性。

    在基于DBN的故障診斷技術研究中,根據(jù)數(shù)據(jù)訓練特點不同,可分為監(jiān)督學習(supervised learning)、半監(jiān)督學習(semi-supervised learning)和無監(jiān)督學習(unsupervised learning)3種方式。其中:監(jiān)督學習是指訓練數(shù)據(jù)中包括了分布標識為正常和異常(或故障分類)的樣本數(shù)據(jù);半監(jiān)督學習是指訓練數(shù)據(jù)中只有標識為正常的樣本數(shù)據(jù),沒有標識為異常(或故障分類)的數(shù)據(jù);無監(jiān)督學習是指訓練數(shù)據(jù)不做任何標識。目前基于DBN的故障診斷研究成果集中在監(jiān)督學習方面[10]。但是,在航空、航天等高可靠性要求的工程領域,通過試驗獲取明確標識為故障的數(shù)據(jù)往往成本很高,但獲取設備的正常狀態(tài)數(shù)據(jù)則相對容易,因此半監(jiān)督深度學習的故障診斷方法具有很高的應用價值。

    本文提出了一種基于改造DBN的故障檢測方法,在利用DBN自動提取特征的能力的同時,結(jié)合了SVDD異常檢測方法,實現(xiàn)了半監(jiān)督學習的故障檢測算法。經(jīng)過標準軸承故障振動實驗數(shù)據(jù)的分析應用,故障識別率為100%的結(jié)果,效果十分理想。

    1 DBN和SVDD概述

    DBN是一個概率生成模型,由多個限制波爾茲曼機(RBM,restricted boltzmann machine)堆疊而成。其核心就是用逐層貪婪學習算法去優(yōu)化深度神經(jīng)網(wǎng)絡的連接權重,即使用無監(jiān)督學習方式進行逐層訓練,有效提取測量信號中的特征。DBN的一般結(jié)構(gòu)是在堆疊RBM之后增加相應分類器,如圖2所示,通過帶標簽的樣本數(shù)據(jù)進行反向傳播(BP,Back Prorogation)的微調(diào),這種方式與傳統(tǒng)BP神經(jīng)網(wǎng)絡的微調(diào)方式相同,用于優(yōu)化DBN 的診斷分類能力。

    圖2 DBN的一般結(jié)構(gòu)

    本文提出的方法對DBN的結(jié)構(gòu)進行了改造,在堆疊RBM之后不再連接分類器,而是連接基于SVDD的異常檢測器,從而實現(xiàn)故障的檢測。下面將依次介紹本算法中的RBM及DBN結(jié)構(gòu)、故障特征的提取、異常檢測算法等進行介紹。

    1.1 RBM原理

    RBM模型是的基于能量的神經(jīng)網(wǎng)絡,由一個可視層V與一個隱含層H組成,如圖3所示。

    圖3 受限波茨曼機RBM結(jié)構(gòu)

    圖3中可視層V=(v1,v2,…,vn),隱含層H=(h1,h2,…,hm),其能量函數(shù)定義:

    (1)

    式中,αi為可視層第i個單元的偏置,bj為隱藏層第j個單元的偏置,Wij為可視層第i個單元與隱藏層第j個單元的連接權重。

    由式(1)可得到可視層V和隱含層H之間的聯(lián)合分布概率為:

    (2)

    其中:

    (3)

    由可視層V與隱藏層H的聯(lián)合概率分布定義和各隱藏節(jié)點間的條件獨立可求得,在給定的可視層節(jié)點狀態(tài)的基礎上,隱藏層第j個節(jié)點hj被激活的概率為:

    (4)

    由式中激活函數(shù)σ(x)選用Sigmoid函數(shù)。同時,可視層第i個節(jié)點vi被激活的概率為:

    (5)

    RBM 的本質(zhì)就是使得訓練后的模型與輸入樣本分布相符合的概率最大,即在給定訓練數(shù)據(jù)的情況下,通過調(diào)節(jié)相應的參數(shù)使得式(5)的概率值能達到最大。通過使用極大似然估計可對式(2)兩邊執(zhí)行隨機梯度下降法,但直接計算式(4)和(5)式將導致訓練時間非常長。為此Hinton[11]提出利用對比散度(Contrastive Divergence,CD-k)準則,在保持精度的同時能快速收斂。

    1.2 基于RBM堆棧堆疊的特征自動提取

    DBN的特征自動提取功能由RBM堆疊結(jié)構(gòu)完成。如圖4所示是一個三層的DBN網(wǎng)絡,其特征提取功能由兩個RBM堆疊結(jié)構(gòu)完成,即第一層神經(jīng)元和第二層神經(jīng)元組成第一個RBM,第二層和第三層組成第二個RBM。原始信號輸入經(jīng)過無監(jiān)督預訓練后的RBM堆疊結(jié)構(gòu)進行前向傳輸,其輸入就是該信號的特征向量,可作為分類器或異常檢測器的輸入做進一步處理。從該過程可以看出,首個RBM的輸入層節(jié)點數(shù)有原始信號的維數(shù)決定,而最后一個RBM的輸出層節(jié)點數(shù)由要提取的特征點維數(shù)決定。

    圖4 DBN結(jié)構(gòu)及預訓練

    DBN與其它神經(jīng)網(wǎng)絡相比其主要特點就在于對RBM堆疊結(jié)構(gòu)無監(jiān)督預訓練,通過依次對多個RBM進行前向傳遞、反向重構(gòu)可視層、權重更新的過程使得其最大似然于輸入信號,實現(xiàn)了用多層次深度特征表達輸入信號,從而實現(xiàn)特征的自動提取。

    1.3 SVVD異常檢測算法

    支持向量數(shù)據(jù)描述(SVDD,support vector data description)是一種異常檢測方法, 其基本原理是通過非線性映射?將原始訓練樣本xi映射到高維內(nèi)積空間,在其中尋找一個包含全部或大部分被映射到特征空間的訓練樣本且體積最小的超球體(最優(yōu)超球體)的內(nèi)積空間[12]。新樣本點檢測時通過?映射在內(nèi)積空間中的像如果落入最優(yōu)超球體內(nèi), 則該樣本被視為一個正常點;否則,視為一個異常點。SVDD已成功應用于數(shù)據(jù)庫中檢測異常樣本、高光譜遙感成像的異常檢測、如泵故障檢測等方面[13-15]。

    對于已知訓練樣本集x,SVDD方法就是求球體的球心a和半徑R,求得以下最優(yōu)化解:

    (6)

    其中:ξi是一個松弛變量, 它允許異常點進入目標數(shù)據(jù)集的可能. 常數(shù)C控制球體體積與錯誤率之間的折衷。引入拉格朗日乘子αi,γi構(gòu)造拉格朗日函數(shù),

    L(R,α,ξi,αi,γi)=R2+C∑iξi-

    ∑iαi[R2+ξi-(xi-α)·(xi-α)]-∑iγiξi

    (7)

    令L關于R,a和ξi的偏導數(shù)全為0, 分別得到以下約束條件:

    (8)

    將式(8)代入式(7), 得到優(yōu)化問題(6)式的對偶問題:

    (9)

    求解(9)的最優(yōu)化問題,可求得ai,球的半徑R為球心a到任何滿足0<αi

    (10)

    則點z在球內(nèi)屬于正常點,否則判定為異常點。

    SVDD方法可采用不同的滿足梅斯定理的核函數(shù)K(xi·xj)代替xi·xj以利用核函數(shù)非線性特性。本文采用徑向基核函數(shù)將目標數(shù)據(jù)映射到特征空間中的有界球形區(qū)域內(nèi),將異常樣本映射到該球形區(qū)域的外部。

    2 DBN-SVDD故障檢測算法

    本文提出的方法,將DBN中RBM堆棧與SVDD異常檢測器結(jié)合,從而實現(xiàn)了基于深度學習的故障檢測方法,其網(wǎng)絡結(jié)構(gòu)如圖5所示。

    圖5 DBN-SVDD故障檢測器結(jié)構(gòu)

    該方法利用DBN高層次的特征提取能力,能夠增強輸入數(shù)據(jù)的區(qū)分能力,削弱輸入數(shù)據(jù)的不相關因素。DBN-SVDD故障檢測模型將多個數(shù)量的RBM 和SVDD故障檢測器結(jié)合,通過設置一定的層數(shù)和隱含層單元數(shù)目能夠在提取高層次特征,再將特征值輸入到SVDD異常檢測器中進行判讀,從而實現(xiàn)故障的檢測。

    DBN-SVDD方法的應用主要包括DBN參數(shù)設置、DBN預訓練、SVDD參數(shù)擬合、故障判定估計等步驟, 如圖6所示,具體包括:

    1)DBN參數(shù)設置:根據(jù)DBN模型的一般應用方法設定相關的參數(shù),根據(jù)輸入信號數(shù)量確定輸入層即可視層節(jié)點數(shù)量,確定網(wǎng)絡層數(shù),確定每個RBM的學習率、最大選代次數(shù)和各隱含層節(jié)點數(shù)等。

    2)DBN 預訓練:使用逐層貪婪算法去逐層訓練每個RBM,即將訓練完的低一層RBM 輸出作為未訓練的高一層RBM 輸入,依次訓練,直到最后一個RBM訓練完成。此時,最高層節(jié)點輸出即可視為對輸入信號提取的特征。

    3)SVDD模型參數(shù)擬合:DBN的輸出特征值作為樣本數(shù)據(jù),用于擬合SVDD模型的參數(shù),計算其超球體中心a和半徑R,指定允許誤差范圍等其它參數(shù),建立SVDD異常檢測判定模型。

    4)故障檢測:待檢測樣本作為輸入值通過DBN前向計算得到特征值,再輸入SVDD異常檢測模型進行判定,如異常則判定為故障。

    圖6 DBN-SVDD故障檢測流程

    3 實驗及分析

    3.1 實驗數(shù)據(jù)

    本文使用的數(shù)據(jù)集為美國凱斯西儲大學電子工程實驗室采集和公布的旋轉(zhuǎn)軸承數(shù)據(jù)[16],測試軸承安裝在兩個馬達驅(qū)動的機械系統(tǒng)上。該實驗裝置可通過固定在電機驅(qū)動端軸承上方機殼上的加速度傳感器采集振動數(shù)據(jù),以12 kHz的采樣頻率在4種不同的負荷下采集數(shù)據(jù)。

    本文選取了該實驗室發(fā)布的4個數(shù)據(jù)集合,分別為軸承的正常狀態(tài)和內(nèi)圈裂痕深度分別為0.07英寸、0.14英寸、0.21英寸等3種故障狀態(tài)數(shù)據(jù),每個數(shù)據(jù)集合截取長度為102 400個樣本。將這4種原始振動信號按窗口長度128進行劃分,每種數(shù)據(jù)均包含800組數(shù)據(jù)。其中正常狀態(tài)數(shù)據(jù)隨機選取70%作為訓練樣本,剩余30%作為檢測樣本。因本方法為半監(jiān)督學習方法,只實現(xiàn)故障檢測而不進行分類,因此其余3種共2 400組數(shù)據(jù)均作為檢測數(shù)據(jù)。

    表1 實驗數(shù)據(jù)情況表

    試驗數(shù)據(jù)原始信號時域波形見圖7。

    圖7 實驗數(shù)據(jù)原始信號時域幅值波形

    由于RBM模型的輸入范圍為[0,1],因此對各組數(shù)據(jù)進行線性歸一化變換使其范圍滿足輸入要求。與其它故障診斷方法必須通過信號變換提取特征不同,本方法只需對原始信號進行線性歸一化處理,而無需其它更多的信號處理。線性歸一化處理后的試驗數(shù)據(jù)時域波形如圖8所示。

    圖8 實驗數(shù)據(jù)歸一化信號時域幅值波形

    3.2 DBN網(wǎng)絡預訓練與SVDD模型擬合

    在獲取歸一化試驗數(shù)據(jù)之后,按圖6所示流程完成參數(shù)設置、DBN網(wǎng)絡訓練和SVDD模型擬合。

    本次實驗的DBN網(wǎng)絡采用3個RBM堆棧即4層網(wǎng)絡結(jié)構(gòu)。根據(jù)信號分組情況,每一組樣本長度為128,所有第一層可視層單元數(shù)目為128,其余3層單元數(shù)目分別選擇為1000、500、500,預訓練次數(shù)為100,RBM學習率為0.05,采用表1中N0數(shù)據(jù)集對網(wǎng)絡進行預訓練,其重構(gòu)誤差曲線如圖9所示。

    圖9 RBM堆棧結(jié)構(gòu)預訓練誤差曲線

    由圖9的迭代訓練誤差曲線可知,此網(wǎng)絡在經(jīng)過36次訓練之后時其重構(gòu)誤差已經(jīng)無明顯變化,說明算法收斂并且網(wǎng)絡結(jié)構(gòu)、參數(shù)設置與訓練樣本的匹配度較好。

    本次實驗的SVDD模型選用徑向基函數(shù)RBF作為核函數(shù),分布參數(shù)sigma選擇為0.1,樣本允許誤差范圍nu設置為0.05。將表1中N0數(shù)據(jù)集,通過預訓練完畢的DBN網(wǎng)絡進行前向傳遞,得到輸出特征值訓練樣本,完成SVDD模型的擬合。

    3.3 結(jié)果分析

    完成DBN網(wǎng)絡訓練和SVDD模型擬合之后,可按圖5所示的故障檢測流程開展實際信號故障檢測應用。依次將表1中所有數(shù)據(jù)集輸入DBN網(wǎng)絡進行前向傳播,將DBN輸出的特征值輸入異常檢測器中進行判定,結(jié)果如表2所示。對于訓練樣本N0進行故障檢測是出現(xiàn)了5%的虛警率,這與SVDD模型中允許誤差范圍參數(shù)nu設置為0.05一致,說明SVDD模型擬合正確,正常數(shù)據(jù)集N1出現(xiàn)了5%的虛警率也是同樣原因造成。為避免SVDD故障檢測模型出現(xiàn)過擬合,其nu不宜設置過小,由此帶來的虛警現(xiàn)象從理論上來說不可避免,但其值是預先可知的。在實際工程應用中可為報警數(shù)據(jù)再專門增加一個小nu值異常檢測器環(huán)節(jié),進一步篩選數(shù)據(jù)以降低虛警率。

    表2 實驗數(shù)據(jù)故障檢測結(jié)果表

    故障數(shù)據(jù)集F1、F2、F3的故障識別率均為100%,效果十分理想。

    4 結(jié)論

    本文提出的基于深度學習的半監(jiān)督故障檢測方法,利用DBN網(wǎng)絡對高層特征自動提取的能力,結(jié)合SVDD異常檢測模型實現(xiàn)了故障的實時檢測。在對標準軸承故障實驗數(shù)據(jù)驗證中,該方法實現(xiàn)了100%的故障判別率,效果十分理想。

    本文提出的方法在工程應用中還具有以下優(yōu)勢:1)只需提供正常工況數(shù)據(jù)作為訓練樣本,無需故障數(shù)據(jù)樣本,樣本數(shù)據(jù)獲取比較方便;2)無需應用領域?qū)<疫x擇故障特征和信號處理專家編制特征提取算法,而由DBN網(wǎng)絡自動提取,技術門檻大幅度降低;3)該方法還具備普適性,可廣泛應用到各種信號的故障檢測當中,可推廣至航空、航天、高鐵等具備實驗大數(shù)據(jù)條件的系統(tǒng)的故障檢測應用。

    深度學習可以從各類試驗數(shù)據(jù)中直接挖掘有價值信息,后續(xù)將針對大型復雜系統(tǒng)普遍采用的多傳感器監(jiān)測方式,利用深度學習方法進行多源信息融合的故障診斷技術研究,進一步拓展基于深度學習的故障診斷技術應用深度和范圍。

    [1] 傅建中. 智能制造裝備的發(fā)展現(xiàn)狀與趨勢[J].機電工程, 2014 , 31 ( 8) :959-962.

    [2] 葉銀忠,潘日芳,蔣慰孫. 動態(tài)系統(tǒng)故障檢測及診斷方法[J].信息與檢測, 1986,15(6):27-34.

    [3] 李 睿,郭迎清,吳文斐. 航空發(fā)動機傳感器故障診斷設計與驗證綜合仿真平臺[J]. 計算機測量與控制,2010, 18(3).

    [4] 吳明強,史 慧,朱曉華,等. 故障診斷專家系統(tǒng)研究的現(xiàn)狀與展望. 計算機測量與控制,2005(13):12.

    [5] 彭 宇,劉大同. 數(shù)據(jù)驅(qū)動故障預測和健康管理綜述[J]. 儀器儀表學報, 2014,35 (3) : 481-495.

    [6] 王國彪,何正嘉, 陳雪峰,等. 機械故障診斷基礎研究何去何從 [J] . 機械工程學報, 2013, 49 (1): 63-72.

    [7] Bengio, Yoshua, Hinton G E. Deep learning [J]. Nature, 2015,521(14539): 436-444.

    [8] Bengio Y. Learning deep architectures for AI, Found. Trends Mach Learn,2009, 2(1):1-127.

    [9] Liu Y, Zhou S, Chen Q. Discriminative deep belief networks for visual data classi?cation [J].Pattern Recognition,2011,44(10): 2287-2296.

    [10]葛強強. 基于深度置信網(wǎng)絡的數(shù)據(jù)驅(qū)動故障診斷方法研究[D]. 哈爾濱:哈爾濱工業(yè)大學, 2016.

    [11] Hinton G E,Osindero S,Whye Y. A fast learning algorithm for deep belief nets [J].Neural Computation,2006(18) : 1527-1554.

    [12] Tax D, Duin R. Support vector data description [J]. Mach Learn, 2004, 54 (1):45-66.

    [13] Banerjee A, Burlina P, Diehl C. A support vector method for anomaly detection in hyperspectral imagery [J]. IEEE Trans. on Geoscience and Remote Sensing, 2006, 44(8):2282-2291.

    [14] 黃光鑫. 支持向量數(shù)據(jù)描述與支持向量機及其應用[D]. 成都:電子科技大學, 2011.

    [15] Lee S, Park J, Lee S. Low resolution face recognition based on support vector data description [J]. Pattern Recognition, 2006, 39 (9):1809-1812.

    [16] The Case Western Reserve University Bearing Data Center[EB/OL].URL , http://csegroups.case.edu/bearingdatacenter/home.

    FaultDetectionMethodBasedontheDeepBeliefNetwork

    Wu Kui1,Wang Xianyong1,Sun Jie1,Huang Yulong1,2

    (1.Beijing Aerospace Measure & Control Corp.,Ltd., Beijing 100041, China;2.Beijing Key Laboratory of High-speed Transport Intelligent Diagnostic and Health Management, Beijing 100041, China)

    This paper presents a semi-supervised fault detection method based on deep learning framework, which utilizes the stack of Restricted Boltzmann Machines in Deep Belief Network to abstract high-level features from original signal data automatically, and apply Support Vector Data Description model to implement fault data detection. This method only needs normal status data as training samples and no any labeled fault data is required. Meanwhile, real-time detection and auto-recognition of fault data can be carried out without expert intervention. As result, the fault recognition rate achieves 100% in treating the standard bearings experiment data, which shows a significant effect and strong application value.

    deep learning; deep belief network; fault detection

    2017-08-16;

    2017-08-27。

    吳 魁(1977-),男,江西南昌人,研究員,主要從事數(shù)據(jù)處理、故障診斷方向的研究。

    1671-4598(2017)10-0043-05

    10.16526/j.cnki.11-4762/tp.2017.10.012

    TP311

    A

    猜你喜歡
    特征提取故障診斷樣本
    用樣本估計總體復習點撥
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    推動醫(yī)改的“直銷樣本”
    Bagging RCSP腦電特征提取算法
    隨機微分方程的樣本Lyapunov二次型估計
    村企共贏的樣本
    因果圖定性分析法及其在故障診斷中的應用
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    基于LCD和排列熵的滾動軸承故障診斷
    基于WPD-HHT的滾動軸承故障診斷
    機械與電子(2014年1期)2014-02-28 02:07:31
    亚洲最大成人手机在线| 免费观看的影片在线观看| 91av网一区二区| av天堂中文字幕网| 大香蕉久久网| av专区在线播放| 一个人看视频在线观看www免费| 国产精品美女特级片免费视频播放器| 噜噜噜噜噜久久久久久91| 久久99热这里只有精品18| 国产永久视频网站| 成人亚洲欧美一区二区av| 国产精品99久久久久久久久| 午夜免费观看性视频| 日日啪夜夜爽| 极品教师在线视频| 秋霞在线观看毛片| 五月天丁香电影| 久久韩国三级中文字幕| 天美传媒精品一区二区| 色综合站精品国产| 亚洲av成人精品一二三区| 3wmmmm亚洲av在线观看| 亚洲av国产av综合av卡| 国内精品美女久久久久久| 老司机影院毛片| 不卡视频在线观看欧美| 国产欧美日韩精品一区二区| 久久久a久久爽久久v久久| 欧美成人午夜免费资源| 晚上一个人看的免费电影| 又爽又黄无遮挡网站| 国产精品久久久久久精品电影小说 | 久久99热这里只有精品18| 又大又黄又爽视频免费| 男女啪啪激烈高潮av片| 肉色欧美久久久久久久蜜桃 | 欧美人与善性xxx| 人人妻人人看人人澡| 国产一区有黄有色的免费视频 | 国产在视频线在精品| 女的被弄到高潮叫床怎么办| 日本黄色片子视频| 最近手机中文字幕大全| 亚洲高清免费不卡视频| 久久综合国产亚洲精品| 欧美日韩视频高清一区二区三区二| 有码 亚洲区| 欧美精品国产亚洲| 男女下面进入的视频免费午夜| 91aial.com中文字幕在线观看| 亚洲乱码一区二区免费版| 婷婷色麻豆天堂久久| 国内精品美女久久久久久| 欧美精品一区二区大全| 欧美精品一区二区大全| 国产免费一级a男人的天堂| av.在线天堂| 日本-黄色视频高清免费观看| 我的老师免费观看完整版| 久久久久久九九精品二区国产| 三级国产精品欧美在线观看| 亚洲国产高清在线一区二区三| 一区二区三区高清视频在线| 日韩av不卡免费在线播放| 人妻夜夜爽99麻豆av| 国产精品一区二区性色av| 欧美精品一区二区大全| 免费高清在线观看视频在线观看| av网站免费在线观看视频 | 国产精品人妻久久久影院| 亚洲精品色激情综合| 777米奇影视久久| 日本猛色少妇xxxxx猛交久久| 国产亚洲最大av| 免费大片18禁| 校园人妻丝袜中文字幕| 日韩欧美精品免费久久| 男人爽女人下面视频在线观看| 成人av在线播放网站| a级毛色黄片| 国产精品久久久久久久久免| 男人狂女人下面高潮的视频| 91精品国产九色| 色尼玛亚洲综合影院| 天堂网av新在线| 久久久欧美国产精品| 欧美+日韩+精品| 免费av观看视频| 久久久久免费精品人妻一区二区| 少妇的逼水好多| 中文字幕久久专区| 麻豆成人av视频| 国产成人精品福利久久| 国产高潮美女av| 2022亚洲国产成人精品| 哪个播放器可以免费观看大片| 亚洲欧美成人综合另类久久久| 亚洲av男天堂| 日韩三级伦理在线观看| 国产一区二区三区av在线| 只有这里有精品99| 精华霜和精华液先用哪个| 日韩大片免费观看网站| 日韩av免费高清视频| 搡老乐熟女国产| 亚洲国产精品成人综合色| 久久久久网色| 国产单亲对白刺激| 丝瓜视频免费看黄片| 精品亚洲乱码少妇综合久久| 又黄又爽又刺激的免费视频.| 大又大粗又爽又黄少妇毛片口| 小蜜桃在线观看免费完整版高清| 在线播放无遮挡| 色5月婷婷丁香| 99视频精品全部免费 在线| 国产黄色免费在线视频| 亚洲熟女精品中文字幕| 99久久精品热视频| 亚洲内射少妇av| 舔av片在线| 色播亚洲综合网| 18禁裸乳无遮挡免费网站照片| 国产精品嫩草影院av在线观看| 精品人妻熟女av久视频| 99热全是精品| 国产综合精华液| 激情 狠狠 欧美| 国产成人免费观看mmmm| 亚洲内射少妇av| 嫩草影院新地址| 一级毛片我不卡| 成年人午夜在线观看视频 | videos熟女内射| 日韩电影二区| 特级一级黄色大片| 最近中文字幕2019免费版| 国产午夜精品久久久久久一区二区三区| 免费播放大片免费观看视频在线观看| 亚洲国产av新网站| 亚洲自偷自拍三级| 午夜亚洲福利在线播放| 亚洲国产精品成人综合色| av女优亚洲男人天堂| 亚洲国产成人一精品久久久| 丝瓜视频免费看黄片| 青春草视频在线免费观看| 中文资源天堂在线| 国产老妇女一区| 久久久亚洲精品成人影院| 国产 一区精品| 爱豆传媒免费全集在线观看| 精品一区在线观看国产| 免费观看无遮挡的男女| 久久久久精品性色| 国产v大片淫在线免费观看| 成人美女网站在线观看视频| 亚洲精品一二三| 欧美日韩综合久久久久久| 久久热精品热| 亚洲国产精品sss在线观看| 色综合亚洲欧美另类图片| 色综合站精品国产| 卡戴珊不雅视频在线播放| 精品人妻熟女av久视频| 欧美丝袜亚洲另类| 久久精品久久久久久久性| 久久久a久久爽久久v久久| 十八禁网站网址无遮挡 | 国产免费福利视频在线观看| 黄片无遮挡物在线观看| 美女国产视频在线观看| 国产视频首页在线观看| 嫩草影院入口| 亚洲国产色片| 欧美高清性xxxxhd video| 亚洲三级黄色毛片| 十八禁网站网址无遮挡 | h日本视频在线播放| 国产乱人视频| 成人国产麻豆网| 中文精品一卡2卡3卡4更新| 观看美女的网站| 国产精品久久久久久精品电影小说 | 亚洲丝袜综合中文字幕| 黄色一级大片看看| 中文欧美无线码| www.色视频.com| 国产精品三级大全| 欧美成人a在线观看| 欧美xxxx性猛交bbbb| 国产在视频线在精品| kizo精华| 熟女电影av网| 深夜a级毛片| 777米奇影视久久| 69av精品久久久久久| 亚洲精品第二区| 日韩电影二区| 成人亚洲精品一区在线观看 | 国产69精品久久久久777片| 国产综合懂色| 99久久九九国产精品国产免费| 国内少妇人妻偷人精品xxx网站| 国产 一区精品| 激情五月婷婷亚洲| 男人和女人高潮做爰伦理| 成年av动漫网址| av在线亚洲专区| 成人毛片a级毛片在线播放| 亚洲av免费在线观看| 亚洲婷婷狠狠爱综合网| 欧美丝袜亚洲另类| 亚洲人成网站高清观看| 亚洲精品aⅴ在线观看| 男人舔女人下体高潮全视频| 成人性生交大片免费视频hd| 国产av码专区亚洲av| 国产一区二区亚洲精品在线观看| 精品99又大又爽又粗少妇毛片| 国产精品一区二区性色av| av在线播放精品| 啦啦啦韩国在线观看视频| 日本午夜av视频| 中文乱码字字幕精品一区二区三区 | 日日撸夜夜添| 男人狂女人下面高潮的视频| 男女边摸边吃奶| 毛片一级片免费看久久久久| 久久久久久久久久成人| 国产精品日韩av在线免费观看| 亚洲av电影不卡..在线观看| 国产爱豆传媒在线观看| 一区二区三区乱码不卡18| 人妻一区二区av| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美极品一区二区三区四区| 午夜福利在线在线| 亚洲av免费高清在线观看| 日韩国内少妇激情av| 九色成人免费人妻av| 午夜福利成人在线免费观看| 日本与韩国留学比较| 丰满少妇做爰视频| 看免费成人av毛片| 18禁在线播放成人免费| 亚洲在线观看片| 美女大奶头视频| 老司机影院成人| 伦理电影大哥的女人| 国产亚洲午夜精品一区二区久久 | 国产毛片a区久久久久| 一边亲一边摸免费视频| 国产大屁股一区二区在线视频| 中文欧美无线码| 中文乱码字字幕精品一区二区三区 | 国产精品三级大全| 精品久久久久久久久久久久久| av播播在线观看一区| 在线 av 中文字幕| 在线a可以看的网站| 青春草亚洲视频在线观看| 免费少妇av软件| 日韩精品有码人妻一区| 麻豆av噜噜一区二区三区| 天堂中文最新版在线下载 | 一级毛片我不卡| 十八禁网站网址无遮挡 | 亚洲性久久影院| 天堂√8在线中文| 99热这里只有精品一区| 91午夜精品亚洲一区二区三区| 亚洲精品影视一区二区三区av| 人妻一区二区av| 床上黄色一级片| 国产在视频线在精品| 久久国产乱子免费精品| 亚洲成人久久爱视频| av福利片在线观看| 毛片一级片免费看久久久久| 国产毛片a区久久久久| 日韩强制内射视频| 成人一区二区视频在线观看| 国产精品国产三级国产av玫瑰| 免费看日本二区| 亚洲精品亚洲一区二区| 在线免费十八禁| 亚洲av二区三区四区| 综合色丁香网| 麻豆成人av视频| 国国产精品蜜臀av免费| 黄色欧美视频在线观看| 黑人高潮一二区| 国产在线一区二区三区精| 国产 一区精品| 亚洲精品成人av观看孕妇| 一级毛片黄色毛片免费观看视频| 91精品伊人久久大香线蕉| 赤兔流量卡办理| 爱豆传媒免费全集在线观看| 免费黄频网站在线观看国产| 99久久中文字幕三级久久日本| 午夜精品国产一区二区电影 | 亚洲欧洲国产日韩| 狠狠精品人妻久久久久久综合| 久久99蜜桃精品久久| 精品一区二区三区视频在线| 1000部很黄的大片| 国内精品宾馆在线| 天堂中文最新版在线下载 | 麻豆成人午夜福利视频| av.在线天堂| 一区二区三区免费毛片| 伦理电影大哥的女人| 天美传媒精品一区二区| 一个人看视频在线观看www免费| 国产精品爽爽va在线观看网站| 天堂网av新在线| 国产精品一及| 国产乱人偷精品视频| av免费观看日本| 韩国高清视频一区二区三区| 人人妻人人澡欧美一区二区| 久久人人爽人人片av| 午夜福利高清视频| av女优亚洲男人天堂| 欧美xxⅹ黑人| 国产老妇伦熟女老妇高清| 成人亚洲欧美一区二区av| 在线观看免费高清a一片| 一个人看视频在线观看www免费| 青春草亚洲视频在线观看| 国产色爽女视频免费观看| 日韩伦理黄色片| 久久精品久久久久久久性| 亚洲精品日韩在线中文字幕| 欧美xxxx性猛交bbbb| 国产精品综合久久久久久久免费| 精品人妻熟女av久视频| 久久精品人妻少妇| 精品人妻熟女av久视频| 亚洲精品乱码久久久久久按摩| 久久久久精品性色| 久久久亚洲精品成人影院| 国产精品久久久久久精品电影小说 | 丝瓜视频免费看黄片| eeuss影院久久| 成人鲁丝片一二三区免费| 蜜臀久久99精品久久宅男| 最近的中文字幕免费完整| 人妻夜夜爽99麻豆av| 亚洲av免费高清在线观看| 亚洲电影在线观看av| 91精品伊人久久大香线蕉| 午夜精品一区二区三区免费看| av免费在线看不卡| 一级爰片在线观看| 久久久成人免费电影| 99久国产av精品| 亚洲精品日韩av片在线观看| 啦啦啦啦在线视频资源| 哪个播放器可以免费观看大片| 又爽又黄无遮挡网站| 欧美日韩在线观看h| 久久精品国产亚洲网站| 日日啪夜夜撸| 国产69精品久久久久777片| 久久99蜜桃精品久久| 成年免费大片在线观看| 免费观看a级毛片全部| 又爽又黄无遮挡网站| 欧美日韩在线观看h| 成人鲁丝片一二三区免费| 亚洲精品自拍成人| 日本黄色片子视频| av国产免费在线观看| 91精品国产九色| 日本午夜av视频| 国产精品蜜桃在线观看| 精品久久久久久久久亚洲| 又爽又黄无遮挡网站| 深夜a级毛片| 99久国产av精品| 3wmmmm亚洲av在线观看| 亚洲av在线观看美女高潮| 日韩制服骚丝袜av| 真实男女啪啪啪动态图| 精品午夜福利在线看| 黄色欧美视频在线观看| 色综合站精品国产| 人妻一区二区av| 国产精品女同一区二区软件| 人妻制服诱惑在线中文字幕| 18禁在线无遮挡免费观看视频| av天堂中文字幕网| 亚洲最大成人手机在线| 22中文网久久字幕| 午夜激情欧美在线| 人人妻人人澡欧美一区二区| 18禁动态无遮挡网站| 久久精品久久久久久噜噜老黄| 亚洲人成网站在线播| 男女下面进入的视频免费午夜| 欧美成人午夜免费资源| 日韩大片免费观看网站| 欧美潮喷喷水| a级毛片免费高清观看在线播放| 免费少妇av软件| 一级a做视频免费观看| 少妇的逼水好多| 听说在线观看完整版免费高清| 欧美+日韩+精品| 成人午夜高清在线视频| 免费av不卡在线播放| 国模一区二区三区四区视频| 亚洲电影在线观看av| 好男人在线观看高清免费视频| 大话2 男鬼变身卡| 秋霞在线观看毛片| 精品久久久久久久久亚洲| av线在线观看网站| 丰满人妻一区二区三区视频av| 欧美一级a爱片免费观看看| 一级a做视频免费观看| 18+在线观看网站| 欧美性猛交╳xxx乱大交人| 日韩国内少妇激情av| 一个人观看的视频www高清免费观看| 亚洲成人av在线免费| 日本欧美国产在线视频| 男女边摸边吃奶| 啦啦啦啦在线视频资源| 国产精品av视频在线免费观看| 久久久久久久久久久丰满| 国产精品一及| 日韩欧美一区视频在线观看 | 伦精品一区二区三区| 久久6这里有精品| 成人亚洲精品一区在线观看 | 亚洲综合色惰| 国产成人精品一,二区| 久久久国产一区二区| 人人妻人人看人人澡| 日韩成人av中文字幕在线观看| 久久久久国产网址| 婷婷色综合www| 久久久久久九九精品二区国产| 三级国产精品片| eeuss影院久久| 日韩欧美国产在线观看| 色哟哟·www| 91狼人影院| 一夜夜www| 伦理电影大哥的女人| 最近手机中文字幕大全| 亚洲激情五月婷婷啪啪| 欧美成人精品欧美一级黄| 最新中文字幕久久久久| 天堂网av新在线| or卡值多少钱| 亚洲色图av天堂| 大香蕉97超碰在线| 蜜臀久久99精品久久宅男| 欧美极品一区二区三区四区| 国产欧美另类精品又又久久亚洲欧美| 国产又色又爽无遮挡免| 亚洲精品久久午夜乱码| 夫妻性生交免费视频一级片| 国产老妇伦熟女老妇高清| av在线观看视频网站免费| 91精品国产九色| 精品一区二区三区视频在线| 亚洲精品视频女| 一级av片app| 亚洲综合色惰| 小蜜桃在线观看免费完整版高清| 91在线精品国自产拍蜜月| 波野结衣二区三区在线| 亚洲精品日本国产第一区| 免费看a级黄色片| 高清毛片免费看| 欧美精品国产亚洲| 熟妇人妻久久中文字幕3abv| 一区二区三区免费毛片| 日韩一本色道免费dvd| 又爽又黄无遮挡网站| 色综合亚洲欧美另类图片| 成人一区二区视频在线观看| 国产黄片视频在线免费观看| 免费观看在线日韩| 成年免费大片在线观看| 七月丁香在线播放| 国产精品人妻久久久久久| 色播亚洲综合网| 三级国产精品欧美在线观看| 国产亚洲一区二区精品| 亚洲av男天堂| 免费看不卡的av| 久久6这里有精品| 亚洲欧美一区二区三区黑人 | 亚洲精品,欧美精品| 亚洲图色成人| 久久精品综合一区二区三区| 日韩,欧美,国产一区二区三区| 日韩欧美精品免费久久| 汤姆久久久久久久影院中文字幕 | 自拍偷自拍亚洲精品老妇| 国产91av在线免费观看| 亚洲内射少妇av| 天天一区二区日本电影三级| 日本欧美国产在线视频| 街头女战士在线观看网站| 亚洲图色成人| 成人特级av手机在线观看| 白带黄色成豆腐渣| 精品人妻熟女av久视频| 又大又黄又爽视频免费| 成人综合一区亚洲| 日本爱情动作片www.在线观看| 亚洲电影在线观看av| 天堂俺去俺来也www色官网 | 国产单亲对白刺激| 亚州av有码| 国产伦一二天堂av在线观看| 成人无遮挡网站| 纵有疾风起免费观看全集完整版 | ponron亚洲| 亚洲av不卡在线观看| 一级片'在线观看视频| 亚洲最大成人中文| 一本一本综合久久| 美女主播在线视频| 啦啦啦韩国在线观看视频| 两个人视频免费观看高清| 国产精品一区二区性色av| 99久国产av精品| 欧美精品国产亚洲| 人妻制服诱惑在线中文字幕| 在线免费十八禁| 欧美bdsm另类| 国产淫语在线视频| 欧美zozozo另类| 麻豆久久精品国产亚洲av| 国产单亲对白刺激| 午夜激情久久久久久久| 黄色一级大片看看| 国产黄色视频一区二区在线观看| 婷婷六月久久综合丁香| 亚洲精华国产精华液的使用体验| 性色avwww在线观看| 国产精品福利在线免费观看| 国产亚洲av片在线观看秒播厂 | 人体艺术视频欧美日本| 午夜激情欧美在线| 久久久久久久久大av| 久久久欧美国产精品| av国产久精品久网站免费入址| 久久久午夜欧美精品| 亚洲av在线观看美女高潮| 久久久精品欧美日韩精品| 99视频精品全部免费 在线| 免费在线观看成人毛片| 亚洲一级一片aⅴ在线观看| 特级一级黄色大片| 亚洲av免费高清在线观看| 婷婷色综合大香蕉| 国产淫语在线视频| av卡一久久| 男女啪啪激烈高潮av片| 精品久久久久久久久久久久久| 欧美性猛交╳xxx乱大交人| 欧美三级亚洲精品| 国产单亲对白刺激| 亚洲内射少妇av| h日本视频在线播放| 少妇熟女欧美另类| 久久久久久久久大av| 亚洲,欧美,日韩| 国产老妇伦熟女老妇高清| 成人国产麻豆网| 国产淫语在线视频| 国产精品久久久久久av不卡| 国产精品国产三级专区第一集| 高清在线视频一区二区三区| 久久综合国产亚洲精品| 麻豆久久精品国产亚洲av| 熟妇人妻不卡中文字幕| 一级毛片电影观看| 在线天堂最新版资源| 99久国产av精品| 久久久久久久午夜电影| 99视频精品全部免费 在线| 婷婷色av中文字幕| 国产精品一区二区三区四区久久| 少妇高潮的动态图| 51国产日韩欧美| 国产精品国产三级国产av玫瑰| 成人高潮视频无遮挡免费网站| 欧美xxxx性猛交bbbb| 最近最新中文字幕免费大全7| 免费看光身美女| 久久久久精品性色| 亚洲综合色惰| 国产成人freesex在线| 欧美xxxx性猛交bbbb| 亚洲一级一片aⅴ在线观看| 国内精品一区二区在线观看| 99热6这里只有精品| 五月玫瑰六月丁香| 亚洲成色77777| 青春草国产在线视频| 黑人高潮一二区| 亚洲经典国产精华液单| 成年免费大片在线观看|