堆叠降噪自编码器的设备故障分类预测方法及系统技术方案

本发明专利技术提供了一种基于改进的麻雀搜索算法优化堆叠降噪自编码器的设备故障分类预测方法及系统，引入Fuch混沌映射初始化麻雀种群；引入正余弦算法对生产者的位置公式进行动态调整，来平衡全局拓展和局部优化这两个过程，使SSA在早期具有更强的全局开发能力，在后期具有更强的小范围搜索能力；在寻找最优解过程中，引入Levy飞行在短距离中进行局部搜索，并在长距离中进行全局搜索。本发明专利技术实施例利用改进的麻雀搜索算法对SDAE进行超参数选取。本发明专利技术实施例解决了以往SDAE寻找超参数效率低、泛化性能弱的问题，提高了分类任务的准确率，表现出较高的稳定性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及临时设备故障分类预测，具体而言，涉及一种堆叠降噪自编码器的设备故障分类预测方法及系统。

技术介绍

1、降噪自编码(de-noising auto-encoder，dae)网络，通过使输入数据部分“受损”训练网络，再从“受损”的输入中重构“干净”的输出，从而提取更加鲁棒的故障特征。但是设备震动信号具有较强的噪声，会影响特征提取效果。堆叠降噪自动编码器(stackeddenoising auto encoders，sdae)是由多个dae堆叠而成，通过将输入数据随机置零进而训练网络的方法，增强了dae的抗噪性能。sdae网络结构参数的选取将直接影响sdae网络的分类性能，如网络的隐含层节点数、稀疏参数及输入数据随机置零比例等超参数。对于sdae网络的训练，采取逐层贪婪原则,单独训练每一层的dae网络以确保重构误差最小。当一个dae单元完成训练后，编码器实现了输入数据向隐含层上的映射，得到编码向量，再将其作为下一个dae单元的输入，继续进行编码。当所有dae均完成训练后，将所有隐含层堆叠，并在最后加上一个分类器，就可以实现数据的分类和识别。

本文档来自技高网...

【技术保护点】

1.一种基于改进的麻雀搜索算法优化堆叠降噪自编码器的设备故障分类预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，Fuch混沌映射表达式为：

3.根据权利要求1所述的方法，其特征在于，正余弦算法改进麻雀探索者的位置为：

4.根据权利要求1所述的方法，其特征在于，引入莱维Levy飞行策略为：

5.根据权利要求1所述的方法，其特征在于，最大迭代次数为50。

6.根据权利要求1所述的方法，其特征在于，SDAE网络为3个降噪自动编码器DAE网络堆叠而成；

7.根据权利要求6所述的方法，其特征在于...

【技术特征摘要】

1.一种基于改进的麻雀搜索算法优化堆叠降噪自编码器的设备故障分类预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，fuch混沌映射表达式为：

3.根据权利要求1所述的方法，其特征在于，正余弦算法改进麻雀探索者的位置为：

4.根据权利要求1所述的方法，其特征在于，引入莱维levy飞行策略为：

5.根据权利要求1所述的方法，其特征在于，最大迭代次数为50。

6.根据权利要求1所述的方法，其特征在于，sdae网络为3个降噪自动编码器dae网络堆叠而成；

【专利技术属性】
技术研发人员：田乐，王志浩，王荟芸，郭茂祖，尹丹，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人