【技术实现步骤摘要】
一种基于深度信念网的设备运行状态评价方法
本专利技术涉及一种设备运行状态评价方法，特别涉及一种基于深度信念网的设备运行状态评价方法。
技术介绍
目前，企业机械设备的发展呈现出大型化、高速化、精密化、自动化等特点，给企业带来了很高的效益，但也存在高成本、高风险、高磨损、高维修难度等问题。因此，高效、及早地检测设备的运行状态，判断其是否处于正常状态，是企业设备现代化管理的主要目标之一，具有重要的理论意义和应用价值。设备运行状态评价主要是通过对反映设备运行状态的特征参数和技术指标进行处理分析，并结合其历史状况，从而确定当前设备的运行状态情况。
技术实现思路
本专利技术的目的是为了相应设备故障诊断、维修与更换提供科学有效的依据，构建出能对设备运行状态进行评价的深度信念网络，对设备当前运行状态进行评价而提供的一种基于深度信念网的设备运行状态评价方法。本专利技术提供的基于深度信念网的设备运行状态评价方法，其方法如下所述：第一步、预训练：构建受限的波尔兹曼机，使数据信号能够在数层的受限的波尔兹曼机之间传递，然后利用k次对比散度算法逐层训练受限的波尔兹曼机；深度信念网包含数个受限的波...
【技术保护点】
1.一种基于深度信念网的设备运行状态评价方法，其特征在于：其方法如下所述：第一步、预训练：构建受限的波尔兹曼机，使数据信号能够在数层的受限的波尔兹曼机之间传递，然后利用k次对比散度算法逐层训练受限的波尔兹曼机；深度信念网包含数个受限的波尔兹曼机，受限的波尔兹曼机是一个两层的神经网络，一是可见层，即输入层，二是隐层，层与层之间全连接，层内无连接，受限的波尔兹曼机是一个二分图，其输出有两种状态0和1，0和1分别表示未激活与激活，深度信念网训练首先对每层受限的波尔兹曼机进行预训练，受限的波尔兹曼机采用的是无监督学习方法；第二步、微调：在数层的受限的波尔兹曼机之上添加逻辑回归层并进...
【技术特征摘要】
1.一种基于深度信念网的设备运行状态评价方法，其特征在于：其方法如下所述：第一步、预训练：构建受限的波尔兹曼机，使数据信号能够在数层的受限的波尔兹曼机之间传递，然后利用k次对比散度算法逐层训练受限的波尔兹曼机；深度信念网包含数个受限的波尔兹曼机，受限的波尔兹曼机是一个两层的神经网络，一是可见层，即输入层，二是隐层，层与层之间全连接，层内无连接，受限的波尔兹曼机是一个二分图，其输出有两种状态0和1，0和1分别表示未激活与激活，深度信念网训练首先对每层受限的波尔兹曼机进行预训练，受限的波尔兹曼机采用的是无监督学习方法；第二步、微调：在数层的受限的波尔兹曼机之上添加逻辑回归层并进行训练，然后采用误差逆传播算法对整个深度信念网进行参数微调，深度信念网由L层受限的波尔兹曼机和一层逻辑回归层组成，在对每一层受限的波尔兹曼机进行预训练之后，需要在深度信念网的最顶层加一层逻辑回归层，来表示期望得到的输出，逻辑回归层由输入层和输出层组成，采用有监督学习的算法，逻辑回归层的输入即为微调样本集Xfinetune，输出为设备的最终预测状态；第三步、测试：运用第一步和第二步中训练的深度信念网络，对设备运行数据的测试样本集Xtest中的样本进行测试。2.根据权利要求1所述的一种基于深度信念网的设备运行状态评价方法，其特征在于：所述的第一步预训练的具体过程如下所述：步骤1、设定受限的波尔兹曼机的层数为L，设备运行的相关数据样本构成训练样本集Xpretrain，设有M个样本；步骤2、训练参数的确定，具体训练参数的确定如下：步骤2-1、θ＝(W,a,b)为受限的波尔兹曼机的参数，W为两层之间的权值矩阵，a为隐层向可见层的偏置向量，b为可见层向隐层的偏置向量，v为可见层状态向量，h为隐层状态向量；形成第i层受限的波尔兹曼机的输入向量，其中第一层即输入层为输入数据项，第i层由第i-1层产生；产生过程如下：(1)、选用sigmoid函数为激活函数，x＝{x1…xn}为输入向量，第一层为样本x＝{X1…Xn}，计算输出向量h＝sigmoid(Wix+bi)；(2)、用j表示某一层的第j个神经单元，定义能量函数为(3)、根据能量函数得到(v,h)的联合概率分布其中为归一化因子；(4)、计算第j个隐层单元的激活，输出为1，概率为同理，第j个可见层单元被重构激活的概率为(5)、利用吉布斯抽样法得到下一层受限的波尔兹曼机的输入向量赋给x，即产生[0,1]上的随机数r；步骤2-2、对第...
【专利技术属性】
技术研发人员：朱允刚，张思奇，李甜，杨雨欣，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。