有效的旋轉(zhuǎn)機械故障診斷對于保證設備安全持續(xù)地運行有著至關重要的作用,而良好的故障特征表達對故障診斷的準確性起關鍵作用。目前基于信號處理和淺層學習模型的故障診斷方法大多數(shù)依靠人工提取特征,不僅需要相關的信號處理先驗知識,而且需要復雜的提取過程來獲得合適的特征,導致特征提取的不確定性,故障診斷結(jié)果不理想。本文引入深度學習的概念,利用深度學習模型可以模擬人腦的多層抽象學習機制,從故障信號中自動學習有用的故障特征的特性,以深度信念網(wǎng)絡為代表應用于旋轉(zhuǎn)機械關鍵部件（軸承、齒輪）故障診斷中,詳細介紹了深度信念網(wǎng)絡的相關理論,針對模型調(diào)參沒有明確的理論指導,參數(shù)設置困難的問題,較為詳細地探討了模型初始參數(shù)設置對模型結(jié)果的影響,為模型調(diào)參提供了一定的參考。首先,針對隨機梯度下降法中動量法引起的梯度盲目下降和訓練時學習率難以選擇的問題,將Nesterov動量法與獨立自適應學習率相結(jié)合,提出了IADLR-NM（Individual Self-adaptive Learning Rate-Nesterov Momentum）優(yōu)化算法。使用Nesterov動量法對參數(shù)下降的位置進行預測,從而對梯度下降進行正或... 

【文章來源】：蘇州大學江蘇省

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【部分圖文】：

頻域樣本診斷結(jié)果:(a)訓練精度;(b)測試精度

圖 3-11 時域樣本診斷結(jié)果: (a) 訓練精度; (b) 測試精度頻域樣本和時域樣本識別結(jié)果可以看出，頻域樣本診斷模型對隱置要求較高，不合理的神經(jīng)元數(shù)容易導致模型識別結(jié)果低，而時層神經(jīng)元數(shù)的依賴較低，在選取神經(jīng)元數(shù)時可以稍微降低要求。小結(jié)重點介紹了 DBN 訓練時需要設置的相關超參數(shù)，包括：預訓練 、連接權(quán)重W 和偏差 a , b 的初始化、學習迭代次數(shù)的設置、DBN數(shù)以及數(shù)據(jù)預處理方式。通過西儲大學故障軸承實驗數(shù)據(jù)，探討信念網(wǎng)絡在故障診斷方面性能的影響和適用性，通過改變參數(shù)大識別結(jié)果，得出初步的結(jié)論，盡管該結(jié)論沒有嚴格的數(shù)據(jù)理論支統(tǒng)計數(shù)據(jù)驗證，但在一定程度上為深度信念網(wǎng)絡故障診斷模型參的參考。

使用CD-1 計算梯度入進下一次訓練預迭代使用IADLR-NM算法得到實際下降梯度更新參數(shù)Epoch是否滿足最大迭代次數(shù)否初始化模型參數(shù)，設置epoch=1RBM訓練完畢是 圖 4-5 基于 IADLR-NM 優(yōu)化方法的 RBM 預訓練過程4.3 算法驗證4.3.1 汽車變速器齒輪箱故障診斷

【參考文獻】：
期刊論文
[1]一種譜峭度和Morlet小波的滾動軸承微弱故障診斷方法[J]. 丁康,黃志東,林慧斌.  振動工程學報. 2014(01)
[2]基于改進小波神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械故障診斷[J]. 彭斌,劉振全.  振動、測試與診斷. 2007(01)
[3]國家中長期科學和技術發(fā)展規(guī)劃綱要（2006—2020年）[J].   中華人民共和國國務院公報. 2006(09)



本文編號：3126074