关键词：故障诊断;自编码器;深度神经网络;特征提取;未知故障检测
摘 要：在实际的工业环境中，随着机械设备运行时间的增加，往往会出现一些新的未知故障。此时，传统的故障诊断方法并不能及时发现这些新的故障，从而影响正常生产进度，造成生产损失。因此，本文提出了一种基于多解码器的自编码分类（Multi-decoders AE Classifier, MDAEC）模型，在对已知样本进行分类的同时保持对未知故障样本的检测。利用自编码器的特征提取能力，将中间的隐藏特征输入到一个分类网络中，使用已知样本对自编码器以及分类网络进行训练。根据已知样本类别训练各自的解码器，以提高模型对未知样本的检测能力。在检测时，通过自编码器的重构误差以及阈值可判断输入样本是否为新的未知故障，如果判断输入样本属于已知样本，则将隐藏层的特征输入到分类网络中即可得到具体样本类型。实验结果表明，本文所提出方法在对未知故障样本进行准确识别的同时保持着对已知样本较高的分类准确率。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取