4、基于稀疏自编码器的感应电机智能故障诊断方法

基于稀疏自编码器的感应电机智能故障诊断方法

1. 引言

感应电机作为工业动力驱动源之一，在国民经济中占据重要地位，广泛应用于各种机械和工业设备。为确保其正常运行并及时维护，避免不必要的损失，对感应电机进行故障诊断十分必要。然而，由于环境干扰和电机结构复杂，有效诊断感应电机故障具有挑战性。

目前，已采用多种传感技术测量电流、振动等物理量，以识别感应电机故障。通过从测量数据中提取特征，可构建分类器区分不同故障，将故障诊断问题转化为分类问题，可用神经网络和支持向量机等机器学习算法解决。但多数机器学习算法为监督学习，需要大量标注数据进行训练，神经网络虽有强表示能力，但训练也需大量高质量标注数据，样本有限或不能覆盖测试分布时易过拟合，尤其对于复杂分类问题。

相比之下，深度“自编码器”（AE）网络结构可无监督地从高维输入向量学习低维代码，稀疏自编码器（SAE）在实现深度学习方面被广泛研究，能有效找到复杂数据的简洁高级表示。因此，本文提出一种基于SAE的深度神经网络（DNN）方法用于感应电机故障诊断。

2. 自编码器及其变体

2.1 自编码器（AE）

AE是一种对称神经网络，通过最小化重构误差无监督地学习特征。其基本结构试图在隐藏层学习近似，使输入数据在输出层完美重构。但AE存在内在问题，如简单将输入层复制到隐藏层，即使输出能完美恢复输入数据，在提取有意义特征方面也无效。

2.2 稀疏自编码器（SAE）

SAE是AE的扩展，通过引入受稀疏编码启发的稀疏惩罚项，学习相对稀疏的特征，可提高传统AE性能，具有更实际的应用价值。

从测量的振动信号构建数据集 $X = {x