郭晓洁：基于深度学习模型的机械传动系统故障诊断研究

2017-06-07

时间：2017年6月12号，周一上午9:30
地点：阳澄湖校区交通大楼219室
报告人：郭晓洁
题目：基于深度学习模型的机械传动系统故障诊断研究
摘要：
深度神经网络是从信息处理的角度，让计算机自动学习有用特征的模型，其出色的特征提取能力在机械设备的故障诊断中有着很好的应用前景。基于传统浅层学习模型的故障诊断方法需要有关机械信号与故障类型的先验知识，且无法全面深刻地提取到用于准确分类的信号特征。本报告涉及基于深度模型的机械传动设备的故障诊断研究，针对频域信号和时域信号分别提出的深度故障诊断系统可以自动、高效、有针对性地提取特征，从而完成故障类别诊断与故障尺寸预测的目标。首先，针对普遍存在的学习步长不易选择的问题，提出了一种自适应步长的深度神经网络训练算法。其次，提出了针对频域信号的集成故障诊断模型（ISDAE），进一步，为了将原始时域信号直接用于分类，提出一种基于自适应深度卷积网络（ADCNN）的分层故障诊断模型。

报告人简介：
郭晓洁，2014年本科毕业于18新利体育机电工程学院，毕业后保送研究生到18新利体育机电工程学院，攻读专业为控制工程，研究方向为深度学习，2017年获得硕士学位。三年发表SCI论文2篇，EI会议2篇，核心期刊论文1篇，并获得了研究生国家奖学金、18新利体育优秀毕业生、18新利体育学术标兵等荣誉称号。同时获得美国乔治梅森大学博士全额奖学金，未来将更深入地展开有关数据挖掘领域的科研生活。