【摘要】：傳統(tǒng)的智能診斷方法一般都是基于“特征提取+分類器”模型,其核心在于特征值的提取以及分類器的設(shè)計(jì)。針對(duì)不同的診斷對(duì)象,通常需要根據(jù)先驗(yàn)知識(shí)提取不同的故障特征值,這必將給最終的診斷結(jié)果帶來(lái)診斷誤差;與此同時(shí),傳統(tǒng)的分類器一般使用淺層模型,這使得其難以表征信號(hào)與裝備運(yùn)行狀況之間復(fù)雜的映射關(guān)系。在這種背景下,HINTON等提出了深度學(xué)習(xí)(Deep Learning)概念。相對(duì)于傳統(tǒng)人工智能診斷方法建立的淺層模型,深度學(xué)習(xí)理論的核心在于模仿生物大腦的思維學(xué)習(xí)模式,建立深層次學(xué)習(xí)模型,結(jié)合海量的訓(xùn)練樣本,有效學(xué)習(xí)樣本數(shù)據(jù)中隱含的特征,從而建立表征樣本信號(hào)與診斷對(duì)象健康狀況之間復(fù)雜的映射關(guān)系。作為深度學(xué)習(xí)算法的典型代表,深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,簡(jiǎn)稱DCNN)以及深度信念網(wǎng)絡(luò)(Deep Belief Network,簡(jiǎn)稱DBN)通過(guò)建立深度學(xué)習(xí)模型,能夠自適應(yīng)提取故障特征及對(duì)設(shè)備健康狀況進(jìn)行智能識(shí)別,避免了信號(hào)處理及對(duì)專家經(jīng)驗(yàn)的依賴。本論文在國(guó)家自然科學(xué)基金項(xiàng)目(51575168)的資助下,對(duì)深度學(xué)習(xí)方法在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用進(jìn)行了研究。論文主要研究工作如下:(1)探究了變分模態(tài)分解(Variational mode decomposition,簡(jiǎn)稱VMD)基本原理。針對(duì)VMD在實(shí)際應(yīng)用過(guò)程中需要根據(jù)先驗(yàn)知識(shí)確定懲罰函數(shù)和分量分解個(gè)數(shù)這一缺陷,論文提出了一種改進(jìn)算法,即廣義變分模態(tài)分解(Generalized variational mode decomposition,簡(jiǎn)稱GVMD)。該方法減少了人為因素對(duì)分解結(jié)果造成的主觀影響,將信號(hào)分解轉(zhuǎn)化為非遞歸、變分模態(tài)分解方式,能夠有效分離頻率成分相近的諧波分量,能夠有效解決信號(hào)分離時(shí)可能出現(xiàn)的模態(tài)混疊問(wèn)題。仿真信號(hào)以及實(shí)驗(yàn)信號(hào)的分析結(jié)果驗(yàn)證了GVMD方法的有效性。(2)DCNN通過(guò)建立深度學(xué)習(xí)模型,避免了對(duì)信號(hào)處理方法與專家經(jīng)驗(yàn)的依賴。但是作為一種大數(shù)據(jù)處理工具,當(dāng)訓(xùn)練樣本數(shù)較少時(shí),診斷精度將受到一定影響。而我們?cè)诠こ虒?shí)際中能夠獲取的帶標(biāo)簽樣本信號(hào)數(shù)是有限的,為充分利用DCNN自適應(yīng)提取特征的能力,基于Fisher準(zhǔn)則的DCNN算法(Fisher-based Deep Convolutional Neural Network,簡(jiǎn)稱FDCNN)在DCNN基礎(chǔ)上引入了類內(nèi)和類間約束的能量函數(shù)模型,能夠適用于小樣本情況下的特征提取及故障診斷。但是該方法中的模型參數(shù)需要人為選擇,這必然給診斷結(jié)果帶來(lái)一定影響。針對(duì)其缺陷,論文提出了一種自適應(yīng)Fisher準(zhǔn)則的深度卷積神經(jīng)網(wǎng)絡(luò)(Adaptive Fisher-based Deep Convolutional Neural Network,簡(jiǎn)稱AFDCNN)方法。該方法首先采用優(yōu)化算法得到最優(yōu)能量函數(shù)模型參數(shù),繼而直接從原始時(shí)域信號(hào)中自動(dòng)提取故障特征,最后實(shí)現(xiàn)故障診斷。對(duì)齒輪故障以及軸承故障仿真和實(shí)驗(yàn)信號(hào)的分析結(jié)果表明,該方法可以有效地實(shí)現(xiàn)小樣本下的旋轉(zhuǎn)機(jī)械故障智能診斷。(3)作為深度學(xué)習(xí)算法典型代表之一的DBN,通過(guò)對(duì)原始樣本數(shù)據(jù)逐層學(xué)習(xí)發(fā)現(xiàn)其數(shù)據(jù)分布式特征,從而完成樣本識(shí)別。與此同時(shí),在將獲取的振動(dòng)信號(hào)輸入構(gòu)建的DBN模型時(shí)無(wú)需信號(hào)重構(gòu),因而已受到越來(lái)越多研究者的關(guān)注。但是DBN依然存在網(wǎng)絡(luò)結(jié)構(gòu)需要人為設(shè)定的缺陷,這也限制了DBN在工程實(shí)際中的應(yīng)用。為解決DBN網(wǎng)絡(luò)結(jié)構(gòu)難以確定及如何提升其在工程實(shí)際應(yīng)用中的診斷效率問(wèn)題,論文提出了一種新的深度信念網(wǎng)絡(luò),即結(jié)構(gòu)自適應(yīng)深度信念網(wǎng)絡(luò)(Structure Adaptive Deep Belief Network,簡(jiǎn)稱SADBN)。與DBN相比,SADBN以網(wǎng)絡(luò)結(jié)構(gòu)熵誤差以及計(jì)算成本為考量指標(biāo),從而確定優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu),有效提高診斷精度及效率。對(duì)齒輪故障以及滾動(dòng)軸承故障振動(dòng)信號(hào)的分析結(jié)果表明了改進(jìn)網(wǎng)絡(luò)的有效性。(4)針對(duì)旋轉(zhuǎn)機(jī)械的復(fù)合故障特征提取困難這一現(xiàn)狀,本論文將AFDCNN以及SADBN分別引入旋轉(zhuǎn)機(jī)械的復(fù)合故障診斷之中,提出基于AFDCNN方法的旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法以及基于SADBN方法的旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法。以齒輪箱為診斷對(duì)象,分別根據(jù)AFDCNN及SADBN方法設(shè)計(jì)相對(duì)應(yīng)的仿真和實(shí)驗(yàn)?zāi)Ｐ?通過(guò)仿真與實(shí)驗(yàn)分析,表明兩種方法能夠滿足要求。
【圖文】：

圖 3.1 DCNN 卷積和下采樣過(guò)程圖 3.2 DCNN 結(jié)構(gòu)示意圖為便于理解卷積過(guò)程，我們假設(shè)給定了 6 6的樣本矩陣，用可訓(xùn)練的 3 3核進(jìn)行遍歷卷積運(yùn)算，獲取得到 4 4的卷積特征矩陣，具體流程如圖 3.3 所示

圖 3.2 DCNN 結(jié)構(gòu)示意圖為便于理解卷積過(guò)程，我們假設(shè)給定了 6 6的樣本矩陣，用可訓(xùn)練的 3 3卷積核進(jìn)行遍歷卷積運(yùn)算，，獲取得到 4 4的卷積特征矩陣，具體流程如圖 3.3 所示。圖 3.3 單次卷積運(yùn)算示意圖3.2.1.1 卷積層卷積層相當(dāng)于一個(gè)濾波器組，其表達(dá)式如下：1 2( , , )ll l l ldW w w w (3.1
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH17

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王天楊;李建勇;程衛(wèi)東;;基于瞬時(shí)故障特征頻率趨勢(shì)線和故障特征階比模板的變轉(zhuǎn)速滾動(dòng)軸承故障診斷[J];振動(dòng)工程學(xué)報(bào);2015年06期

2 代士超;郭瑜;伍星;;基于同步平均與倒頻譜編輯的齒輪箱滾動(dòng)軸承故障特征量提取[J];振動(dòng)與沖擊;2015年21期

3 位秀雷;林瑞霖;劉樹勇;王強(qiáng);;小波-SG-EEMD混合算法及混沌去噪應(yīng)用研究[J];振動(dòng)與沖擊;2015年17期

4 雷亞國(guó);賈峰;周昕;林京;;基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J];機(jī)械工程學(xué)報(bào);2015年21期

5 楊望燦;張培林;王懷光;陳彥龍;孫也尊;;基于EEMD的多尺度模糊熵的齒輪故障診斷[J];振動(dòng)與沖擊;2015年14期

6 孫艷豐;齊光磊;胡永利;趙璐;;基于改進(jìn)Fisher準(zhǔn)則的深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年06期

7 劉長(zhǎng)良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動(dòng)軸承故障診斷[J];中國(guó)電機(jī)工程學(xué)報(bào);2015年13期

8 楊宇;李永國(guó);何知義;程軍圣;;基于LCD的齒輪箱混合故障盲源分離研究[J];中國(guó)機(jī)械工程;2015年08期

9 張春霞;姬楠楠;王冠偉;;受限波爾茲曼機(jī)[J];工程數(shù)學(xué)學(xué)報(bào);2015年02期

10 唐貴基;王曉龍;;參數(shù)優(yōu)化變分模態(tài)分解方法在滾動(dòng)軸承早期故障診斷中的應(yīng)用[J];西安交通大學(xué)學(xué)報(bào);2015年05期

相關(guān)碩士學(xué)位論文 前3條

1 郭梅;風(fēng)力發(fā)電機(jī)傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)與故障診斷系統(tǒng)研究[D];浙江大學(xué);2017年

2 何知義;基于自適應(yīng)最稀疏時(shí)頻分析的旋轉(zhuǎn)機(jī)械故障診斷方法[D];湖南大學(xué);2016年

3 顧小軍;面向旋轉(zhuǎn)機(jī)械的支持向量機(jī)方法及智能故障診斷系統(tǒng)研究[D];浙江大學(xué);2006年

本文編號(hào)：2602066