隨著大型復(fù)雜設(shè)備發(fā)展越來(lái)越迅速,可靠性管理研究已經(jīng)成為管理領(lǐng)域的熱點(diǎn)問(wèn)題之一。在對(duì)設(shè)備進(jìn)行可靠性管理研究中,故障診斷決策方法的有效性越來(lái)越受到重視。然而監(jiān)測(cè)信號(hào)中隱含的系統(tǒng)可靠性規(guī)律尚未被完全挖掘和利用。因此本論文立足于復(fù)雜機(jī)械系統(tǒng)可靠性理論,以監(jiān)測(cè)到的設(shè)備振動(dòng)信號(hào)及電流信號(hào)數(shù)據(jù)為基礎(chǔ),借鑒智能模型分類的思路和方法,對(duì)復(fù)雜系統(tǒng)故障進(jìn)行因果分析和故障診斷,從而研究討論復(fù)雜系統(tǒng)故障診斷決策管理方法對(duì)重大工程管理帶來(lái)的啟示。風(fēng)力發(fā)電機(jī)作為一典型的復(fù)雜系統(tǒng),是利用清潔能源實(shí)現(xiàn)電能的轉(zhuǎn)換的關(guān)鍵基礎(chǔ)設(shè)施,科學(xué)的維護(hù)管理對(duì)其正常運(yùn)行、保障可再生能源提供和促進(jìn)國(guó)民經(jīng)濟(jì)發(fā)展具有重要意義。但其故障狀態(tài)的數(shù)據(jù)呈現(xiàn)出海量性、多樣性等大數(shù)據(jù)特征,完全依靠傳統(tǒng)的故障檢測(cè)方法在分析數(shù)據(jù)、建立模型等方面具有局限性,而隨著智能算法的發(fā)展,其對(duì)大數(shù)據(jù)的處理能力和表征能力在各個(gè)領(lǐng)域都得到了很好的體現(xiàn)。因此本文以風(fēng)力發(fā)電機(jī)齒輪箱為示例研究對(duì)象,采用機(jī)器學(xué)習(xí)算法對(duì)各個(gè)故障進(jìn)行特征學(xué)習(xí)并在此基礎(chǔ)上實(shí)現(xiàn)故障分類。主要研究?jī)?nèi)容如下:首先,基礎(chǔ)理論的介紹。本文對(duì)復(fù)雜系統(tǒng)故障診斷的內(nèi)容、方法和應(yīng)用進(jìn)行了分析總結(jié)。以風(fēng)力發(fā)電機(jī)這一大型關(guān)鍵... 

【文章來(lái)源】：重慶工商大學(xué)重慶市

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)驗(yàn)平臺(tái)：（a）故障實(shí)驗(yàn)平臺(tái)；（b）振動(dòng)信號(hào)傳感器位置圖

第2章復(fù)雜系統(tǒng)數(shù)據(jù)采集與典型機(jī)器學(xué)習(xí)方法原理15LSTM的網(wǎng)絡(luò)結(jié)構(gòu)與普通神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類似，也由輸入層、隱含層和輸出層這三層結(jié)構(gòu)構(gòu)建，但是又有差別。結(jié)構(gòu)圖如圖2.2所示。原始RNN的隱藏層只有一個(gè)狀態(tài)h，對(duì)于短期的輸入較為敏感，對(duì)于長(zhǎng)期輸入就沒(méi)有那么好的效果了。而LSTM實(shí)質(zhì)上是通過(guò)添加了記憶塊(MemoryBlock，MB)實(shí)現(xiàn)對(duì)RNN隱含層的改進(jìn)。在RNN隱含層的基礎(chǔ)上，LSTM網(wǎng)絡(luò)模型中，隱含層增加了一個(gè)狀態(tài)ｃ，稱為細(xì)胞狀態(tài)(CellState)，用于保存長(zhǎng)期狀態(tài)[77]。圖2.2長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)示意圖LSTM有三個(gè)門(mén)來(lái)保護(hù)和控制“單元”狀態(tài)，以保持對(duì)信息的長(zhǎng)期依賴。每一個(gè)黑色代表一個(gè)完整的矢量，圓圈代表一個(gè)逐點(diǎn)操作（定義字段中每個(gè)點(diǎn)的函數(shù)值分別計(jì)算）。LSTM的主要步驟如下：（1）忘記門(mén)ft。它用來(lái)決定從牢房里扔掉什么信息。對(duì)于一組數(shù)據(jù)的第t個(gè)樣本，該層讀取當(dāng)前輸入的xt和神經(jīng)元信息lt，用ft確定丟棄的信息。)(1+=tftftfδxlUW(2.13)式中δ為激活函數(shù)，Wf是ft的權(quán)矩陣，Uf是參數(shù)矩陣。（2）輸入門(mén)it。它用于識(shí)別存儲(chǔ)在單元狀態(tài)中的新信息，包括輸入門(mén)層和新的存儲(chǔ)單元。這兩個(gè)層分別表示要更新的值和添加新的候選值向量d"t。也就是說(shuō)，在單元狀態(tài)中添加新的，以替換需要忘記的舊的。)(1+=tititiδxlUW(2.14))tanh(1"""+=tdtdtdxlUW(2.15)tanh是激活函數(shù)，Wi，Wd"分別是it和d"t的權(quán)重矩陣。Ui和Ud"是參數(shù)矩陣。（3）更新門(mén)mt。用于更新舊單元的狀態(tài)，就是將dt-i轉(zhuǎn)換成dt。

重慶工商大學(xué)碩士學(xué)位論文32集作為對(duì)象，且繼續(xù)使用該實(shí)驗(yàn)中SVM、RF、LSTM、ESN、GRU人工智能算法模型的參數(shù)設(shè)置。但本實(shí)驗(yàn)在振動(dòng)信號(hào)監(jiān)測(cè)后，使用人工特征提取方法，即采用“人工特征選擇+分類器”的框架來(lái)進(jìn)一步探討復(fù)雜系統(tǒng)可靠性維護(hù)問(wèn)題。流程圖如圖3.9所示。風(fēng)機(jī)試驗(yàn)臺(tái)..............振動(dòng)信號(hào)開(kāi)展實(shí)驗(yàn)x方向y方向z方向..............人工特征提取時(shí)域頻域時(shí)頻域SVMRFLSTMESNGRU模型分類結(jié)果分析圖3.9基于人工特征提取和GRU的復(fù)雜系統(tǒng)單故障診斷流程圖表3.6時(shí)域特征提取指標(biāo)的計(jì)算公式時(shí)域特征公式備注平均值∑==NiixNxA11)(1)(A1(x):測(cè)量信號(hào)的平均變化。標(biāo)準(zhǔn)差2112)()(1)(∑==NiixAxNxAA2(x):測(cè)量信號(hào)的離散程度。偏態(tài)23121313)](1[))()((1)(∑∑===NiNiixNixAxNxAA3(x):測(cè)量振動(dòng)信號(hào)的不對(duì)稱性。峰值))(min())(max()(4=ixixxAA4(x):測(cè)量關(guān)于其平均值的數(shù)據(jù)的不對(duì)稱性。方差225xxAA=)()(A5(x):測(cè)量信號(hào)偏離中心趨勢(shì)的波動(dòng)程度。峭度431416)())()(()(NxAixAxxANi×=∑=A6(x):測(cè)量數(shù)據(jù)集中的峰值、平滑度。均方根∑==NiixNxA127)(1)(A7(x):測(cè)量信號(hào)的能量演化。波形因子∑==NiixNxAxA178)(1)()(A8(x):一種無(wú)量綱索引，測(cè)量設(shè)備的運(yùn)行狀態(tài)。峰值因子)())(max()(79xAixxA=A9(x):測(cè)量峰值在波形中的極端程度。峭度因子47610)()()(xAxAxA=A10(x):測(cè)量波形平緩程度的，用于描述變量的分布。脈沖因子∑==NiixNixxA111)(1))(max()(A11(x):測(cè)量信號(hào)中的沖擊。裕度


本文編號(hào)：3034200