首页|柴油机故障的堆栈自编码特征提取与随机森林识别

柴油机故障的堆栈自编码特征提取与随机森林识别

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为了提高柴油机故障的在线识别准确率,提出了堆栈自编码特征提取方法和话语权随机森林的故障类别识别方法.对缸盖罩振动信号为分析对象,提出了样本熵自适应小波阈值去噪方法,有效提高了信号的信噪比.使用堆栈自编码网络提取振动信号的故障特征向量,所提取特征类内聚合度高、类间区分度好.在传统森林算法基础上,根据决策树的预测试准确率为其赋予不同的话语权,从而提出了话语权随机森林算法,并将其应用于柴油机运行故障模式识别.经10组实验验证,传统森林算法的平均识别准确率为90.32％,话语权森林算法的平均识别准确率为99.67％,比传统算法提高了 10.35％;另外,话语权森林算法的识别准确率标准差远小于传统随机森林算法.以上数据说明经过改进,随机森林算法的识别准确率和稳定性均得到了提高.
Stack Auto Encoding Feature Extraction and Random Forest Recognition of Diesel Fault

郭兆松、吴士力、邓侃

展开 >

南京交通职业技术学院,江苏 南京 211188

南京理工大学,江苏 南京 210094

长沙湾流智能科技有限公司,湖南长沙 410100

柴油机故障诊断 自适应小波阈值去噪 堆栈自动编码网络 话语权森林算法

教师函[2019]7号苏教师函[2021]11号

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.379(9)
  • 3
  • 9