基于基尼的深度解卷积方法在机械装备故障诊断中的应用研究OACHSSCDCSTPCD
Application of Gini Index-Based Deep Deconvolution in Mechanical Equipment Fault Diagnosis
解卷积方法是机械装备故障诊断的有力工具,但传统研究仍属于浅层特征提取,难以处理极低信噪比情况.针对此问题,在传统解卷积理论的基础上引入特征学习思想,提出一种基于基尼指数(Gini index,GI)的稀疏特征深度解卷积方法(GI-based sparse deep deconvolution,GI-SDD)进行机械装备早期故障诊断.采用频带均分策略初始化输入层滤波器,为后续解卷提供方向.以能够表征机械故障稀疏特征的GI作为损失函数,指导深度网络进…查看全部>>
Deconvolution methods are powerful tools for mechanical equipment fault diagnosis;however,traditional research still relies on shallow feature extraction,making it difficult to handle extremely low signal-to-noise ratios.To address this issue,by introducing the idea of feature learning into the traditional deconvolution theory,a Gini index(GI)based sparse deep deconvolution(GI-SDD)method is proposed for early fault diagnosis of mechanical equipment.First,a b…查看全部>>
石惠芳;苗永浩;夏雨
北京航空航天大学 可靠性与系统工程学院,北京 100191北京航空航天大学 可靠性与系统工程学院,北京 100191北京航空航天大学 可靠性与系统工程学院,北京 100191
经济学
基尼指数特征向量法深度解卷积特征学习故障诊断
Gini index(GI)eigenvector algorithm(EVA)deep deconvolutionfeature learningfault diagnosis
《工业工程》 2024 (4)
9-18,10
国家重点研发计划资助项目(2021YFB2500604)
评论