有效的旋轉(zhuǎn)機(jī)械故障診斷對于保證設(shè)備安全持續(xù)地運行有著至關(guān)重要的作用,而良好的故障特征表達(dá)對故障診斷的準(zhǔn)確性起關(guān)鍵作用。目前基于信號處理和淺層學(xué)習(xí)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(guān)的信號處理先驗知識,而且需要復(fù)雜的提取過程來獲得合適的特征,導(dǎo)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(xué)習(xí)的概念,利用深度學(xué)習(xí)模型可以模擬人腦的多層抽象學(xué)習(xí)機(jī)制,從故障信號中自動學(xué)習(xí)有用的故障特征的特性,以深度信念網(wǎng)絡(luò)為代表應(yīng)用于旋轉(zhuǎn)機(jī)械關(guān)鍵部件（軸承、齒輪）故障診斷中,詳細(xì)介紹了深度信念網(wǎng)絡(luò)的相關(guān)理論,針對模型調(diào)參沒有明確的理論指導(dǎo),參數(shù)設(shè)置困難的問題,較為詳細(xì)地探討了模型初始參數(shù)設(shè)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(jī)梯度下降法中動量法引起的梯度盲目下降和訓(xùn)練時學(xué)習(xí)率難以選擇的問題,將Nesterov動量法與獨立自適應(yīng)學(xué)習(xí)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(jìn)行預(yù)測,從而對梯度下降進(jìn)行正或... 

【文章來源】：蘇州大學(xué)江蘇省

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

頻域樣本診斷結(jié)果:(a)訓(xùn)練精度;(b)測試精度

圖 3-11 時域樣本診斷結(jié)果: (a) 訓(xùn)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(dǎo)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(xùn)練時需要設(shè)置的相關(guān)超參數(shù)，包括：預(yù)訓(xùn)練 、連接權(quán)重W 和偏差 a , b 的初始化、學(xué)習(xí)迭代次數(shù)的設(shè)置、DBN數(shù)以及數(shù)據(jù)預(yù)處理方式。通過西儲大學(xué)故障軸承實驗數(shù)據(jù)，探討信念網(wǎng)絡(luò)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(yán)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(luò)故障診斷模型參的參考。

使用CD-1 計算梯度入進(jìn)下一次訓(xùn)練預(yù)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(shè)置epoch=1RBM訓(xùn)練完畢是 圖 4-5 基于 IADLR-NM 優(yōu)化方法的 RBM 預(yù)訓(xùn)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(xiàn)】：
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(xué)報. 2014(01)
[2]基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)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(xué)和技術(shù)發(fā)展規(guī)劃綱要（2006—2020年）[J].   中華人民共和國國務(wù)院公報. 2006(09)



本文編號：3126074