1、“.....首先用小波变换对每个样本的每个通道用小波函数进行层分解，分解后获得个高频部分和个低频部分，然后基于这个频带系数用样本熵算法求取了个能量值，进行预测。实验结果表明能够有效地提取原始特征集的内在特征，使液压信号得到了更好的表达对液压泵内泄漏状态识别精度达到了相比于和分类器，对液压泵内泄漏状态有更好的辨识能力和稳定性。关键词小波变换液压泵内泄漏液压系统的泄漏是目前普遍存在的故障现象。液压泵作为液压系统的核心部件，其工作状态深度置信网络基础上液压泵内泄漏状态的诊断分析工业技术论文熵算法求取了个能量值，因此，小波变换对每个样本求取个特征值。运用技术对每个样本的每个通道提取特征，首先使用算法对每个通道进行经验模态分解，获得组固有模态函数......”。

2、“.....将这组固有模态函数进行希尔伯特变换，最后基于求取最大幅值和最大瞬时频率，因此，运用此外，类与类之间不存在交叉和重叠，总之，呈现出了较好的可分性。这些说明深度臵信网络对原始特征的学习能力较强，在保留原始特征内在结构的同时，消除原始特征之间的冗余，对原始特征进行抽象的提取，使原始特征得到优化，从而使高级特征对液压泵的内泄漏的分级和诊断变得更有效。深度置信网络基础上液压泵内泄漏状态的诊断分析工业技术论文。压力传感器采样中是原始信号是小波母函数是伸缩因子是平移因子是个与符号无关的常数。为了进步分析网络对原始特征的优化能力，分别将原始特征与学习获得的高级特征用技术进行维可视化。文献中详细介绍了技术。可视化结果如图所示。图特征可视化分受深度神经网络好的性能的启发......”。

3、“.....提出了基于小波变换和希尔伯特黄变换的特征提取方法，通过构建的深度信念网络对原始特征进行优化，并将获得高级的融合特征用于液压泵泄漏状态的诊断。理论小波变换小波变换被誉为数学显微镜，是继傅里叶变换之后能够成功解决工程问题的典范。小波变换具有多分辨率分络的顶层神经网络进行有标签的监督学习训练，并通过误差反向传播算法对整个深度臵信网络的参数进行微调，直到模型达到性能最优。在年，等提出深度学习的基本理论和框架，许多学者将其运用到各领域，并取得很好的成果。余涛提出基于稀疏自编码器的手写体数字识别。文云峰等提出了基于多隐层极限学习机的电力系统频率安全评估方法。为输入层的第个神经元的状态为输出层第个神经元的状态为受限玻尔兹曼机的参数值......”。

4、“.....与分别为输入层第个神经元与输出层第个神经元的偏执值。根据能量函数，可以得到联合概率分布为，−，其中监测中重要参数，采用多传感器信息的综合分析，并在液压泵的状态监测中取得很好的成果，但压力信号和流量信号同样是液压泵状态监测中的重要参数。如何从压力信号和流量信号中提取有效的特征并用于液压泵故障诊断中的研究少之甚少，而将多传感器的压力信号和流量信号用于液压泵泄漏状态诊断更少。深度置信网络基础上液压泵内泄漏状态的诊断分析工业技术论文。其征信号的局部特点，而且在频域分析上也能表征信号的局部特点，它是种信号局部化的分析方法。其小波变换公式表达如下−，−∫−∞∞−......”。

5、“.....虽然振动信号是液压泵的状态监测中重要参数，采用多传感器信息的综合分析，并在液压泵的状态监测中取得很好的成果，但压力信号和流量信号同样是液压泵状态监测中的重要参数。如何从压力信号和流量信号中提取有效的特征并用于液压泵故障诊断中的研究少之甚少，而将多传感器的压力信号和流量信号用于液压泵泄漏状态诊断更的训练过程是以自下而上的方式逐层训练来完成首先将获得代表压力信号和流量信号的初级特征输入到第个中进行无监督训练第个对输入的初级特征在保留原始数据的内在结构的同时进行抽象提取并获得高级特征，然后用获得的高级特征训练第个第个对输入的高级特征进行抽象提取，获得最终的融合特征。最后将获得的融合特征输入到深度臵信整体上观察，类内间距明显变小，类间间距明显增大，此外......”。

6、“.....总之，呈现出了较好的可分性。这些说明深度臵信网络对原始特征的学习能力较强，在保留原始特征内在结构的同时，消除原始特征之间的冗余，对原始特征进行抽象的提取，使原始特征得到优化，从而使高级特征对液压泵的内泄漏的分级和诊断变得更有效。受深度神经网络好的性能的启发−为分配函数，则似然函数被表示为−受限玻尔兹曼机网络的实质是求出值来拟合给定的训练数据。图受限玻尔兹曼机的网络结构深度臵信网络的构建开发的深度臵信网络共有层，包括堆栈两层的受限玻尔兹曼机包含两个隐含层和最终个神经网络，其网络结构如图所示。深度臵信网络输入层和输出层之间全连接，受限玻尔兹曼机的网络结构如图所示，其中输入层有个神经元节点，输出层有个神经元节点，为输入层与输出层之间的连接权重。则输入层神经元节点与输出层神经元节点的能量函数为......”。

7、“.....式中是伸缩因子是平移因子是个与符号无关的常数。在年，等提出深度学习的基本理论和框架，许多学者将其运用到各领域，并取得很好的成果。余涛提出基于稀疏自编码器的手写体数字识别。文云峰等提出了基于多隐层极限学习机的电力系统频率安全评估方法。石鑫等人提出深度信念网络的变压器故障诊断。虽然振动信号是液压泵的状态本文作者针对液压泵的压力和流量信号的特征难以提取和识别的特点，提出了基于小波变换和希尔伯特黄变换的特征提取方法，通过构建的深度信念网络对原始特征进行优化，并将获得高级的融合特征用于液压泵泄漏状态的诊断。理论小波变换小波变换被誉为数学显微镜，是继傅里叶变换之后能够成功解决工程问题的典范。小波变换具有多分辨率分析的特性......”。

8、“.....可视化结果如图所示。图特征可视化分析图为原始特征经过可视化的散点图，可以看出种故障类型的散点状态相互之间有交叉和重叠，呈现出没有规则的聚集状态。这说明原始特征集类与类之间的特征存在冗余，导致总体呈现出了较差的聚集状态。图为深度臵信网络优化后的高级特征的散点图，可以看出种故障类型在类与类之间呈现出了紧密聚集状态，从此，小波变换对每个样本求取个特征值。运用技术对每个样本的每个通道提取特征，首先使用算法对每个通道进行经验模态分解，获得组固有模态函数，然后基于这组固有模态函数求取方差之和为进步揭示信号局部变化的特点，将这组固有模态函数进行希尔伯特变换，最后基于求取最大幅值和最大瞬时频率，因此，运用对每个样本求取个特征。好坏会直接影响到整个液压系统的稳定性和可靠性，因此......”。

9、“.....液压泵泄漏是液压系统泄漏的个主要部分，约占总泄漏量的。液压泵泄漏分为内泄漏和外泄漏，而液压泵内泄漏分为正常泄漏和非正常泄漏，对于非正常内泄漏的故障做出精确的预测并及时采取相应措施以保证整个液压系统高效的工作是必要的。压力传感器采样率为，流量传感器的采对每个样本求取个特征。将获得的个特征构成高维特征向量，输入到深度臵信网络进行逐层提取高级融合特征。摘要针对液压信号的高度复杂性以及难以识别的特点，提出种基于深度臵信网络的方法用于液压泵内泄漏状态的诊断。首先利用小波变换和对压力信号和流量信号进行提取特征，然后利用堆叠网络对原始特征集进行优化，并提取高级的融合特征，最后使用为，流量传感器的采样率为。特征提取在收集所有的样本之后，利用小波变换和技术对每个样本提取特征......”。