機(jī)械“大數(shù)據(jù)”驅(qū)動(dòng)的故障診斷方法研究已成當(dāng)前設(shè)備故障診斷領(lǐng)域研究的重點(diǎn)和熱點(diǎn)。深度學(xué)習(xí)因以強(qiáng)大的自動(dòng)特征提取能力和處理高維、非線性大數(shù)據(jù)等方面的優(yōu)勢(shì)而被廣泛應(yīng)用,但機(jī)械大數(shù)據(jù)存在正常樣本多、故障樣本少問題,而遷移學(xué)習(xí)則能將源域知識(shí)運(yùn)用到不同但相關(guān)的目標(biāo)域之中,能有效解決故障樣本少的問題。為此,本文結(jié)合深度學(xué)習(xí)和遷移學(xué)習(xí)的特點(diǎn),開展了深度遷移方法在滾動(dòng)軸承故障診斷方面的研究。首先,針對(duì)實(shí)際機(jī)械故障樣本少以及不同工況下數(shù)據(jù)分布不一致,導(dǎo)致傳統(tǒng)機(jī)器學(xué)習(xí)方法診斷精度低的問題,提出基于特征遷移的深度學(xué)習(xí)軸承故障診斷方法。在不同工況輔助數(shù)據(jù)集中利用遷移成分分析方法（TCA）將源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)映射到潛在的Hilbert空間,使得源域和目標(biāo)域樣本集更加相似,并通過最大均值偏差嵌入法（MMDE）判斷能夠遷移的源域數(shù)據(jù),將源域樣本遷移到目標(biāo)域中,為深度學(xué)習(xí)提供充足的訓(xùn)練樣本,解決了實(shí)際故障樣本較少的問題。并且,為了解決單一核函數(shù)作為映射函數(shù)導(dǎo)致診斷可靠性低的問題,提出了組合核函數(shù)半監(jiān)督遷移成分分析（CFSSTCA）算法模型,并利用DBN模型對(duì)源域樣本進(jìn)行訓(xùn)練,對(duì)映射后無標(biāo)記的目標(biāo)域樣本進(jìn)行故障診斷分析... 

【文章來源】：武漢科技大學(xué)湖北省

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

軸承試驗(yàn)示意圖

武漢科技大學(xué)碩士學(xué)位論文29也會(huì)有過擬合的弊端，計(jì)算成本也會(huì)加大。為此，本章節(jié)DBN網(wǎng)絡(luò)模型根據(jù)經(jīng)驗(yàn)常選用4層結(jié)構(gòu)，兩個(gè)隱藏層神經(jīng)元節(jié)點(diǎn)分別為100、100，學(xué)習(xí)率ζ=0.0001，對(duì)于不同工況數(shù)據(jù)集，DBN迭代次數(shù)設(shè)置為1500。由于篇幅限制，本章節(jié)僅將工況D作為源域數(shù)據(jù)集，C、B、A分別目標(biāo)域數(shù)據(jù)集。為減小隨機(jī)初始化對(duì)訓(xùn)練結(jié)果的影響，重復(fù)驗(yàn)證15次，不同工況下不同核函數(shù)故障識(shí)別準(zhǔn)確率如圖2-8所示。圖2-8不同工況下不同核函數(shù)滾動(dòng)軸承故障診斷準(zhǔn)確率從圖2-8可以看出，以不同工況下滾動(dòng)軸承振動(dòng)信號(hào)特征樣本集進(jìn)行遷移故障診斷時(shí)，由于核函數(shù)的選取不同，診斷精度存在差異性。通過對(duì)D→A、D→B、D→C建立的源域數(shù)據(jù)集到目標(biāo)域數(shù)據(jù)集診斷結(jié)果中，其中CFSSTCADBN方法故障診斷識(shí)別率均最高，主要因素是CFSSTCA方法中的組合核函數(shù)有更好的特征映射能力，相對(duì)于單個(gè)核函數(shù)效果更好，同時(shí)結(jié)合SSTCA算法，充分發(fā)揮了其特征遷移的能力，通過CFSSTCADBN故障診斷模型，處理不同工況下多健康狀態(tài)下滾動(dòng)軸承振動(dòng)信號(hào)有很大的優(yōu)勢(shì)性。為了進(jìn)一步說明CFSSTCADBN實(shí)驗(yàn)結(jié)果，將其與普通TCADBN、非遷移的機(jī)器學(xué)習(xí)支持向量機(jī)（SVM）和深度信念網(wǎng)絡(luò)（DBN）方法進(jìn)行實(shí)驗(yàn)對(duì)比，由表2-4可以看出，CFSSTCADBN的方法故障識(shí)別率中平均值最高為97.61%，TCADBN平均識(shí)別率為92.43%，很大原因在于故障樣本遷移時(shí)，遷移成分分析

武漢科技大學(xué)碩士學(xué)位論文46結(jié)合深度學(xué)習(xí)DBN診斷模型、機(jī)器學(xué)習(xí)SVM診斷模型和BP神經(jīng)網(wǎng)絡(luò)診斷模型進(jìn)行了驗(yàn)證分析，DBN模型參數(shù)選取與第二章有相同的網(wǎng)絡(luò)結(jié)構(gòu)，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為600-100-100-6，SVM的核函數(shù)為RBF，兩個(gè)重要參數(shù)g設(shè)為0.05，c設(shè)為1，BP神經(jīng)網(wǎng)絡(luò)采用與DBN相同的網(wǎng)絡(luò)層數(shù)，其方法診斷結(jié)果如圖3-6所示。診斷任務(wù)診斷方法D→AD→BD→C平均標(biāo)準(zhǔn)偏差98.13%96.04%94.37%96.18%1.54%94.17%93.13%89.58%92.29%1.97%67.29%60.25%65.33%64.29%2.97%57.91%58.33%62.71%59.65%2.17%53.77%48.78%50.93%51.17%4.56%圖3-6不同方法診斷結(jié)果對(duì)比對(duì)比五種方法可知，可以看出DCFSSTCAML-YU模型和DCFSSTCAML-ED模型有更好的診斷能力，其平均診斷率分別為96.18%，92.29%，相對(duì)于深度學(xué)習(xí)DBN模型，平均診斷精度64.29%，機(jī)器學(xué)習(xí)SVM和BP神經(jīng)網(wǎng)絡(luò)中，平均診斷率為59.65%，51.17%。深入分析可知，DCFSSTCAML-YU模型和DCFSSTCAML-ED均是采用深層度量學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，可以使類間差異最大類內(nèi)差異最小，經(jīng)過不同工況下的數(shù)據(jù)樣本遷移，在創(chuàng)建的診斷任務(wù)源域到目標(biāo)域的遷移過程中，最小化了源域和目標(biāo)域之間的分布的不同，故障診斷分析時(shí)所提取40%50%60%70%80%90%100%D→AD→BD→C診斷精度(%)診斷任務(wù)DCFSSTCAML-YUDCFSSTCAML-EDDBNSVMBP

【參考文獻(xiàn)】：
期刊論文
[1]基于深度遷移學(xué)習(xí)的小樣本智能變電站電力設(shè)備部件檢測(cè)[J]. 馬鵬,樊艷芳.  電網(wǎng)技術(shù). 2020(03)
[2]基于深度遷移學(xué)習(xí)理論含風(fēng)電光伏系統(tǒng)的地區(qū)電網(wǎng)網(wǎng)損率計(jì)算[J]. 盧志剛,楊英杰,李學(xué)平,陳建華,劉建恒.  中國電機(jī)工程學(xué)報(bào). 2020(13)
[3]無標(biāo)簽數(shù)據(jù)下基于特征知識(shí)遷移的機(jī)械設(shè)備智能故障診斷[J]. 郭亮,董勛,高宏力,李長根.  儀器儀表學(xué)報(bào). 2019(08)
[4]基于遷移學(xué)習(xí)LSSVM的模擬電路故障診斷[J]. 莊城城,易輝,張杰,劉帥.  電子器件. 2019(03)
[5]基于機(jī)器學(xué)習(xí)的設(shè)備剩余壽命預(yù)測(cè)方法綜述[J]. 裴洪,胡昌華,司小勝,張建勛,龐哲楠,張鵬.  機(jī)械工程學(xué)報(bào). 2019(08)
[6]基于深度學(xué)習(xí)的飛行器智能故障診斷方法[J]. 姜洪開,邵海東,李興球.  機(jī)械工程學(xué)報(bào). 2019(07)
[7]考慮多元因素態(tài)勢(shì)演變的配電變壓器遷移學(xué)習(xí)故障診斷模型[J]. 楊志淳,沈煜,楊帆,蔡偉,梁來明.  電工技術(shù)學(xué)報(bào). 2019(07)
[8]結(jié)合深度度量學(xué)習(xí)的血緣關(guān)系識(shí)別[J]. 瞿道慶,馬琳,邵珠宏.  中國圖象圖形學(xué)報(bào). 2018(10)
[9]一種基于深度度量學(xué)習(xí)的視頻分類方法[J]. 智洪欣,于洪濤,李邵梅,高超,王艷川.  電子與信息學(xué)報(bào). 2018(11)
[10]CNN-SVM模型在抽油機(jī)井故障診斷中的應(yīng)用[J]. 仲志丹,樊浩杰,李鵬輝.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)

碩士論文
[1]基于深度學(xué)習(xí)模型的感應(yīng)電機(jī)故障診斷方法研究[D]. 孫文珺.東南大學(xué) 2017
[2]基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[D]. 于婷婷.大連理工大學(xué) 2008
[3]基于實(shí)例和特征的遷移學(xué)習(xí)算法研究[D]. 戴文淵.上海交通大學(xué) 2009



本文編號(hào)：3218497