全参数动态学习深度信念网络在滚动轴承寿命预测中的应用

• 作 者: 杨宇 张娜 程军圣
• 机 构: 湖南大学汽车车身先进设计制造国家重点实验室
• 出 处: 振动与冲击
• 发表日期: 2019年10期
• 关键词: 深度学习 全参数动态学习深度信念网络(GPDLDBN) 滚动轴承 寿命预测 deep learningglobal parameters dynamic lea
• 基金项目: 国家自然科学基金(51575168,51375152),国家重点研发计划项目(2016YFF0203400),湖南省重点研发计划(2017GK2182).

相对于传统的“对信号进行特征提取+人工选择对数据敏感的特征值+预测模型”的滚动轴承寿命预测方法,深度信念网络(DBN)有显著的优势:DBN可以直接处理原始数据,让机器自动学习信号特征,从而免去了特征提取和选择的过程,提高了预测的智能性。但是传统的DBN采用固定学习率进行网络学习,不利于寻找最优结果;基于此,提出了一种改进的深度信念网络——全参数动态学习深度信念网络(GPDLDBN),并将其应用于滚动轴承寿命预测中。GPDLDBN预测模型由多层受限玻尔兹曼机(RBM)单元组成,采用自下而上的逐层无监督贪婪算