李小娟1,2,徐增丙1,2,熊文3,王志刚1,2,谭俊杰1,2
振动与冲击. 2020, 39(15): 25-31.
针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep neural network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal fisher analysis, MFA)方法进行了优选,然后在构建的深度度量网络(Deep metric network, DMN)顶层特征输出层添加BPNN(Back propagation neural network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。最后,通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep belief network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support vector machine, SVM)分类的故障诊断方法。