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
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
摘要：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,指导深度网络进行训练.基于广义的特征向量法(eigenvector algorithm,EVA)执行权重优化,进而对微弱故障特征进行逐层学习.利用相关系数和包络谱峭度(envelope kurtosis,EK)准则联合评价故障信息,降维输出最为显著的故障分量.经仿真分析及试验验证,所提方法对背景噪声具有强鲁棒性,故障特征得到显著加强,其EK值相较于传统MED和MGID结果分别提升163.43%和187.11%.
关键词：基尼指数特征向量法深度解卷积特征学习故障诊断
分类号：F406.3(工业经济理论)TP18(自动化基础理论)
资助基金：国家重点研发计划(2021YFB2500604)
论文发表日期：2024-08-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 9-18 )
英文信息