基于卷积神经网络和改进分层Softmax策略的设备健康状态评估方法

摘要

针对传统工业设备健康状态评估中存在的特征提取复杂、细粒度分类精度低等问题，提出了一种基于卷积神经网络和改进分层Softmax策略的设备健康状态评估方法（hierarchical Softmax convolutional neural network,HSCNN）。利用卷积神经网络从设备健康状态数据中学习特征表示，挖掘设备状态的内在特征。同时通过引入分层Softmax策略进行设备健康状态的多级分类，将原本的细粒度分类任务转换为层次化的决策过程，并采用哈夫曼树解决传统分层Softmax策略可能导致的计算资源浪费和模型性能下降问题，实现了对设备状态的高效、准确评估。将所提方法应用在大型煤矿设备运行健康状态评估上，并与传统多层感知机、循环神经网络、卷积神经网络、分层Softmax卷积神经网络和长短期记忆网络对比，结果表明基于卷积神经网络和改进分层Softmax策略的设备健康状态评估方法相比于传统方法具有更高的准确性。

关键词

卷积神经网络 / 分层Softmax策略 / 健康状态评估 / 设备安全评估