为了解决堆叠自编码网络在参数较多时的梯度弥散问题,对网络每层的编码值进行了统计分析,发现大部分分布于激活函数的饱和区,这直接导致了神经元权值梯度的消失。为此,引入了一种标准化策略,将神经元按照样本进行归一化,然后引入两个待学习参数进行缩放和平移,最后通过激活函数输出到下一级神经元。运用带标准化的堆叠自编码网络进行滚动轴承故障诊断,将振动信号的频谱输入到网络中。与普通堆叠自编码网络相比,该标准化策略可有效地使网络编码值均匀分布,如将第一层编码值的熵从0.88bit提高到了16.29bit。带标准化的堆叠自编码网络可有效提高网络的抗噪能力和训练速度在凯斯西储大学滚动轴承数据集上,当人为添加噪声信号的信噪比为0dB时,识别正确率从16.18％提高到了100％;在实验室实测数据集上,不仅训练时间下降了37.22％,而且识别正确率

为了解决卷积神经网络权值往往只能随机初始化的问题，提出了一种卷积自编码器。以卷积池化过后的特征为权值，对反卷积核进行叠加，叠加步长为池化时的长度，将信号重构回原信号空间。以原信号与重构信号的差值最小为目标，对卷积核和反卷积核进行优化。进一步，编码特征可以作为新的输入，利用同样的方式进行编码，依次循环，最后给网络加上全连接网络和分类器，用少量带标签样本进行微调，形成具有复杂特征提取能力的深度卷积自编码网络。将该网络用于滚动轴承故障识别，将时域振动信号直接输入网络，在公共数据集——西储大学轴承数据集以及实验室实测数据集上均取得了比传统卷积神经网络要好得多的识别效果，例如在实验室实测数据集上将识别精度从0．799提高到了0．921。将底层提取到的特征通过反卷积核逐层重构，第一

针对常用的无监督聚类分析方法中存在的问题,提出了一种基于分子结构设计理论的聚类分析方法。该方法借鉴分子结构设计理论模型,将故障样本空间看作分子系统,将故障样本看作分子系统中的原子,以故障样本之间的差异度作为分子势能的度量指标,在故障样本间＂相互作用势＂的影响下,以样本间＂势能＂最小为依据,调整故障样本在映射平面上的位置,从而获得最佳的聚类效果。开展了不同状态滚动轴承振动测试实验,聚类结果表明,相比于SOM聚类方法,该方法将聚类有效性指标DB值降低49.04%。将该方法应用于柴油机故障振动数据的聚类中,实验结果表明聚类效果良好,能够有效地将不同故障的数据区分开,验证了该方法的可行性和有效性。