超级会员免费看
滚动轴承故障检测的记忆残差回归自编码器实验验证
在滚动轴承故障检测领域，准确且高效的异常检测方法至关重要。本文将详细介绍一种名为 MRRAE（Memory Residual Regression Autoencoder）的创新深度学习模型，并通过实验验证其在轴承故障检测中的有效性。
1. 损失函数与异常指标
损失函数定义如下：
[
\begin{align }
L(\theta_e, \theta_d, \theta_m, \theta_h) &= |X - \hat{X}| 2^2 - \frac{1}{K} \sum {k = 1}^{K} \log(h(V_{res})) - \alpha \sum_{m = 1}^{M} \hat{a}_m \cdot \log(\hat{a}_m)
\end{align }
]
其中，(\alpha) 表示记忆熵的权重，在所有实验中设为 0.02。
根据定义，正常样本在训练阶段的意外值（surprisal value）往往较小，而当轴承出现早期异常状态时，意外值会相应增加。因此，意外值可用于指示异常的发生。重建误差和意外值被定义为异常指标，用于检测轴承的异常状况。异常指标 (P) 的计算公式为：
[
P = |X - \hat{X}| 2^2 - \frac{1}{K} \sum {k = 1}^{K} \log(h(V_{res}))
]
为了将异常指标转换到 [0, 1] 范围内，进行归一化操作：
[
P_n = \frac{P - \min
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
