典型文献
基于优化栈式自编码器的船舶柴油机故障诊断
文献摘要：
针对目前数据驱动的故障诊断方法在船舶柴油机应用中存在故障识别率不高的问题,提出一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化栈式自编码器(Stacked Auto-Encoder,SAE)的诊断方法,实现高精度故障诊断.利用SAE的重构误差作为状态监测量,实时监测柴油机故障的发生.将监测到的异常样本输入SAE进行数据分类,实现对故障类型的精确识别.针对SAE在故障类型识别中超参数设置过多、依赖人工经验的问题,采用SSA对SAE多个超参数进行联合寻优,提高故障识别率和稳定性.基于AVL BOOST船舶柴油机仿真数据的试验表明:所提出SSA-SAE诊断方法的故障识别率为96.71％,比SAE、支持向量机(Support Vector Machine,SVM)和极限学习机(Extreme Learning Machine,ELM)具有更高的故障识别率和更优的泛化能力.
文献关键词：
故障诊断;栈式自编码器;麻雀搜索算法;参数优化
中图分类号：
作者姓名：
刘鑫龙;曾鸿;董建伟;和泰山;刘利源
作者机构：
大连海事大学轮机工程学院,辽宁大连116026;中国船舶重工集团柴油机有限公司,山东青岛266520
文献出处：
引用格式：
[1]刘鑫龙;曾鸿;董建伟;和泰山;刘利源-.基于优化栈式自编码器的船舶柴油机故障诊断)[J].中国航海,2022(04):45-51,57
A类：
B类：
栈式自编码器,船舶柴油机故障,柴油机故障诊断,故障诊断方法,故障识别率,麻雀搜索算法,Sparrow,Search,Algorithm,SSA,Stacked,Auto,Encoder,SAE,重构误差,状态监测,监测量,数据分类,精确识别,故障类型识别,中超,超参数,参数设置,AVL,BOOST,仿真数据,Support,Vector,Machine,极限学习机,Extreme,Learning,ELM,泛化能力
AB值：
0.311263
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
