基于深度信念网络的船舶柴油机智能故障诊断

发布时间：2025-04-15 01:56

　　 [目的]为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。[方法]采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。[结果]基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。[结论]与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。

【文章页数】：8 页

【部分图文】：

图1 限制性玻尔兹曼机的结构

图1中：为可见层单元的n个输入节点；为隐含层单元的m个输出节点；w=[wij]n′m，为输入层到输出层的连接权值矩阵，其中i=1,2，…，n且j=1,2，…，m;其中ai为第i个可见单元vi的偏置；其中bj为第j个隐含单元hj的偏置。对于给定的可见层输入v和隐含层输出h，限制性玻....

图2 深度信念网络的训练过程

深度信念网络一般采用逐层训练方法进行学习，分为预训练和微调2个阶段[13]，其过程如图2所示。在预训练阶段，可以采用自下而上的逐层无监督学习方式，在每层都需要进行参数初始化和样本数据特征提取；在微调阶段，可以根据预训练阶段所提取的特征，采用BP神经网络算法对初始化参数进行微调。3....

图3 船舶柴油机的故障诊断流程

步骤3：模型预训练。将训练样本集导入模型中，从下而上逐层训练各层RBM，按照式（10）～式（12），获得各层RBM的初始化参数wij,ai,bj。步骤4：模型微调。采用BP神经网络算法反向调整预训练参数，得到最终的DBN模型。

图4 3层RBM的重构误差随重构次数的变化曲线

在预训练阶段所提取的特征和初始化参数，将作为下一步微调阶段输入量和网络参数的初始值。在微调阶段，设置BP神经网络算法的最大训练次数为8000次，学习率为0.8。为了考察不同激活函数对训练效果的影响，对不同激活函数softmax,sigmoid,linear的准确率进行测试，其对....

本文编号：4039892