為解決復(fù)雜多工況設(shè)備的模式識別問題,消除專家經(jīng)驗對特征提取與數(shù)據(jù)融合的影響,提高故障診斷模型泛化能力,開展了基于深度學習模型與信息融合的故障智能診斷方法研究。論文提出了基于多維圖像特征融合及卷積神經(jīng)網(wǎng)絡(luò)的智能診斷方法,構(gòu)建基于多源信息自適應(yīng)融合策略的深度學習網(wǎng)絡(luò),發(fā)展了基于多源數(shù)據(jù)融合的遷移學習智能診斷方法,實現(xiàn)典型設(shè)備故障及復(fù)合故障的智能模式識別及遷移診斷。論文主要內(nèi)容及研究成果如下:（1）提出了基于多維圖像特征融合的改進卷積神經(jīng)網(wǎng)絡(luò)智能診斷方法。傳統(tǒng)用于卷積神經(jīng)網(wǎng)絡(luò)分析識別的設(shè)備故障數(shù)據(jù)特征圖大多依賴于專家經(jīng)驗生成,繁瑣的工程特征篩選及圖像預(yù)處理過程耗時耗力,普適性較差。為了構(gòu)建特征明顯并無需設(shè)置過多參數(shù)的樣本特征圖,提出了信號轉(zhuǎn)彩色特征圖和灰度特征圖的方法。基于兩種特征圖的特點構(gòu)建相匹配的卷積神經(jīng)網(wǎng)絡(luò)框架,用于捕捉彩色和灰度特征圖中的深層信息。通過置于網(wǎng)絡(luò)頂層或底層的瓶頸層,顯著豐富特征圖中信息并且無需改變特征圖尺寸,有益于網(wǎng)絡(luò)模型識別準確率的提升。通過特殊尺寸的卷積核融合在特征圖中的多源傳感器數(shù)據(jù),高效壓縮了灰度特征圖尺寸。通過Adam優(yōu)化器算法不斷優(yōu)化迭代獲得收斂的網(wǎng)絡(luò)模型,... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：103 頁

【學位級別】：碩士

【部分圖文】：

圖２－１卷積運算示意圖??Ｆｉｇ．２－１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ??

圖２－２瓶頸層示意圖??Ｆｉｇ．２－２?Ｔｈｅ?ｂｏｔｔｌｅｎｅｃｋ?ｌａｙｅｒ??２．２．２激活函數(shù)??

?北京化工大學碩士學位論文???ｘ＂＇?＝?ｍａｘ?ａ！．?（２－４）??１?１??式中，＜?——第＿／個特征圖中／？位置輸出；??Ｎｍ—－計算區(qū)域；??ａ）——第／個特征矩陣。??池化層的非重疊的典型映射如圖２－３所示。示意圖中每個池化區(qū)域不堆疊，相比??具有重疊池化區(qū)域的結(jié)構(gòu)能夠更快減少下一層的輸入規(guī)模，當特征圖輸入尺寸為Ｍｘ＃??時，通過尺寸為ｈＡ：的池化層獲得尺寸為ＭｈＭ?Ａ：的特征圖。??ｉｆｅｐＥ??３０?５｜［Ｔ］??ＵｔｌＥＨ?濾波器：２ｘ２??圖２－３最大池化層示意圖??Ｆｉｇ．２－３?Ｔｈｅ?ｍａｘｐｏｏｌｉｎｇ?ｌａｙｅｒ??２．２．４全連接層及Ｓｏｆｔｍａｘ分類器??模型通過多層卷積層逐步提取特征，激活函數(shù)進行非線性變化，池化層降低特征??圖尺寸的運算。深層抽象特征映射到全連接層中每一個節(jié)點進一步匯集特征［４８］。最后??通過網(wǎng)絡(luò)末端的Ｓｏｆｔｍａｘ函數(shù)輸出模式類別。使用反向傳播算法監(jiān)控學習過程，調(diào)整??各個層的參數(shù)，如卷積核的值、偏置項等參數(shù)。全連接層計算公式如下：??ａＯＣ?（２－５）??Ｊ??式中，——第／層的神經(jīng)元＿／與第／＋１層的神經(jīng)元／的連接權(quán)重矩陣；??ｘ＼——第／層的第ｙ個神經(jīng)元；??ｂ＼——第／層的第７＿個神經(jīng)元的偏置項。??在整個模型中，Ｓｏｆｔｍａｘ作為一個“分類器”來實現(xiàn)故障信號的分類。網(wǎng)絡(luò)經(jīng)過??Ｓｏｆｔｍａｘ輸出分類，網(wǎng)絡(luò)輸出預(yù)測類別即概率最大的類別，網(wǎng)絡(luò)輸出預(yù)測類別為??ａｒｇ?ｍａｘＰｙ），計算公式為：??ＳＪ＝－—?（２－６）??ｋ＝＼??式中，＼?—－第）類的概率值，??Ｔ—故障類別個數(shù)，??ｘｋ——

【參考文獻】：
期刊論文
[1]電網(wǎng)故障智能診斷技術(shù)研究綜述[J]. 劉仲民,呼彥喆,張鑫.  南京師大學報(自然科學版). 2019(03)
[2]大數(shù)據(jù)下機械裝備故障的深度遷移診斷方法[J]. 雷亞國,楊彬,杜兆鈞,呂娜.  機械工程學報. 2019(07)
[3]基于終止準則改進K-SVD字典學習的稀疏表示特征增強方法[J]. 王華慶,任幫月,宋瀏陽,董方,王夢陽.  機械工程學報. 2019(07)
[4]肺部CT圖像中的解剖結(jié)構(gòu)分割方法綜述[J]. 邊子健,覃文軍,劉積仁,趙大哲.  中國圖象圖形學報. 2018(10)
[5]機械系統(tǒng)實測信號預(yù)處理方法研究現(xiàn)狀與展望[J]. 湯勝楠,朱勇,李偉,蔡佳熙.  排灌機械工程學報. 2019(09)
[6]基于多尺度本征模態(tài)排列熵和SA-SVM的軸承故障診斷研究[J]. 姚德臣,楊建偉,程曉卿,王興.  機械工程學報. 2018(09)
[7]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[8]深度置信網(wǎng)絡(luò)模型及應(yīng)用研究綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應(yīng)用. 2018(01)
[9]基于約簡矩陣和C4.5決策樹的故障診斷方法[J]. 徐曌,張斌.  計算機技術(shù)與發(fā)展. 2018(02)
[10]高端機械裝備再制造無損檢測綜述[J]. 霍榮偉.  環(huán)球市場信息導(dǎo)報. 2017(37)

博士論文
[1]旋轉(zhuǎn)機械非平穩(wěn)信號微弱特征提取方法研究[D]. 蔣永華.重慶大學 2010



本文編號：3003881