現(xiàn)代工業(yè)水平的發(fā)展隨著科技水平的提高得到長足發(fā)展,生產(chǎn)設(shè)備也由智能化代替最初依靠人工。在這個過程中,對于設(shè)備本身的要求也在不斷提高,任意零部件的損壞都會對生產(chǎn)流程產(chǎn)生重要的影響,輕則會造成經(jīng)濟上的損失,某些重工業(yè)領(lǐng)域可能對生命安全造成威脅。對設(shè)備當前狀態(tài)的亞健康識別,能在很大程度上避免因停機維修造成的各種損失,由于設(shè)備的故障并不是瞬間造成的,而是一個不斷積累的過程,所以設(shè)備狀態(tài)的亞健康識別研究受到專家學者的廣泛關(guān)注。在閱讀分析大量深度學習和軸承亞健康識別方法后,針對傳統(tǒng)的軸承亞健康識別提取特征困難和診斷效果不理想的問題,本文提出一種RVM優(yōu)化強重構(gòu)MDAE的亞健康識別算法(IMDAE-IFMRVM)。該算法從改進邊緣降噪自動編碼器和改進相關(guān)向量機兩方面展開深入研究。首先,針對邊緣降噪自動編碼器約束條件有限、數(shù)據(jù)壓縮能力弱、重構(gòu)誤差大的問題,一方面在原本邊緣降噪約束條件基礎(chǔ)上加入稀疏性的約束條件,解決邊緣降噪自動編碼器約束條件有限、數(shù)據(jù)壓縮能力弱的問題,另一方面將隱含層的輸入改為前一隱含層的輸出加上預(yù)處理的數(shù)據(jù),解決邊緣降噪自動編碼器重構(gòu)誤差大、特征數(shù)據(jù)表達能力弱的不足。然后,本文針對特征樣本數(shù)據(jù)中構(gòu)造信息不同及分布不平坦時,使用單一核函數(shù)不能有效處理結(jié)構(gòu)復(fù)雜的樣本數(shù)據(jù)的問題,使用兩種核函數(shù)權(quán)重相加的方式代替原來單一核函數(shù)單獨作用,對于核函數(shù)權(quán)重系數(shù)的確定問題,在Fisher準則和最大熵準則共同作用下求解輸入樣本映射到特征空間中的方差,利用本文提出方法求得。最后,通過對比實驗發(fā)現(xiàn),改進后的算法能正確識別軸承數(shù)據(jù)的狀態(tài),驗證了本文所提算法的有效性。
【學位單位】：遼寧大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TH133.3;TP18
【部分圖文】：

圖 5-1 試驗臺結(jié)構(gòu)圖成滾動軸承的原因有很多，但是只要能在其發(fā)生故障前發(fā)現(xiàn)就為時未晚，常見的故障問題主要有內(nèi)圈故障、外圈及滾珠”狀況的監(jiān)測意義重大。因此，本文的實驗數(shù)據(jù)選用滾動軸映工作中的真實狀態(tài)，通過對比預(yù)處理前后的數(shù)據(jù)，可能更障狀態(tài)下的數(shù)據(jù)分布情況。據(jù)的采集工作是通過加速度傳感器完成的，將傳感器分別放的十二點鐘方向，MATLAB處理數(shù)據(jù)記錄器16通道采集的振動采樣頻率下收集信號，驅(qū)動端信號的采樣頻率是 48000S/s。由集到的數(shù)據(jù)已經(jīng)標準化，受到眾多學者的認可（如V.Sugum' n 等），用這樣一組實驗數(shù)據(jù)驗證本文所提算法，具有很好的魯有利于驗證改進模型的有效性。實驗數(shù)據(jù)的選取情況如表 5-表 5-1 八組軸承實驗數(shù)據(jù)參數(shù)

圖 5-2 隱含層數(shù)隨神經(jīng)元個數(shù)的增加誤差變化圖對本次實驗?zāi)Ｐ屯負浣Y(jié)構(gòu)的選擇，對比一層、兩層、三層隱含層數(shù)隨數(shù)增加，樣本集誤差百分比的變化情況，據(jù)圖 5-2 可看出，一定范圍內(nèi)層數(shù)目不變的情況下隨著神經(jīng)元個數(shù)的增加，樣本集的誤差呈下降趨勢層隱含層來說，當神經(jīng)元數(shù)目達到 500 時誤差最低，約為 0.07，相比層，三層隱含層在神經(jīng)元數(shù)為 400 時達到最低點，誤差約為 0.03，因此證最后實驗的準確性，此次試驗選擇的邊緣降噪自動編碼器的隱含層數(shù)隱含層神經(jīng)元個數(shù)為 400 個。表 5-4 不同約束下特征空間樣本方差和權(quán)重系數(shù)Fisher 準則方法 最大熵方法 本文核函數(shù)權(quán)重系數(shù)21 22 23 24 0.39 0.53 0.42 0.46 0.52

第 5 章 實驗結(jié)果及分析四次實驗均值為 90.55%，相比原型相關(guān)向量機，改進后的強重構(gòu)邊碼器的亞健康識別算法在識別準確率上提高了 7.65 個百分點；RVM MDAE 的亞健康識別算法是在強重構(gòu)邊緣降噪自動編碼器的亞健的基礎(chǔ)上改進單一的核函數(shù)，并用特征空間的樣本方差求解改進后重系數(shù)，四次實驗的識別準確率分別為 94.2%、95.7%、94.6%、94.3為 94.7%，與原型相關(guān)向量機和強重構(gòu)邊緣降噪自動編碼器的亞健比，在準確率上分別提高了 11.8 和 4.15 個百分點。均方誤差隨迭變化趨勢如圖 5-6：

【參考文獻】

相關(guān)碩士學位論文 前1條

1 趙家強;基于粒子群神經(jīng)網(wǎng)絡(luò)及D-S理論的亞健康識別算法研究[D];遼寧大學;2013年

本文編號：2810903