智能制造過(guò)程中關(guān)鍵設(shè)備的預(yù)測(cè)維護(hù)可以實(shí)現(xiàn)設(shè)備故障診斷過(guò)程從計(jì)劃維修到視情維修的轉(zhuǎn)變,對(duì)系統(tǒng)安全穩(wěn)定運(yùn)行至關(guān)重要。實(shí)時(shí)的早期故障診斷、精確的壽命預(yù)測(cè)模型構(gòu)建是預(yù)測(cè)維護(hù)的兩個(gè)關(guān)鍵環(huán)節(jié)。深度學(xué)習(xí)作為一種先進(jìn)的數(shù)據(jù)特征抽取手段在故障診斷和剩余壽命預(yù)測(cè)中受到了廣泛的關(guān)注。但是傳統(tǒng)深度學(xué)習(xí)模型對(duì)于那些僅在頻域中呈現(xiàn)顯著征兆特征的機(jī)械類故障的實(shí)時(shí)精確診斷無(wú)能為力,另一方面現(xiàn)有基于LSTM（Long Short-Term Memory）的深度學(xué)習(xí)剩余壽命預(yù)測(cè)模型的全連接網(wǎng)絡(luò)結(jié)構(gòu)具有較高的計(jì)算復(fù)雜度且無(wú)法保障剩余壽命預(yù)測(cè)的精確性。設(shè)備的精確故障機(jī)理模型無(wú)法獲取的情況下,本文利用DNN（Deep Neural Networks）、LSTM等深度學(xué)習(xí)方法作為特征抽取工具開(kāi)展基于設(shè)備運(yùn)行狀態(tài)大數(shù)據(jù)的故障預(yù)測(cè)維護(hù)關(guān)鍵問(wèn)題研究,解決傳統(tǒng)深度學(xué)習(xí)方法在改善故障診斷的實(shí)時(shí)性、提高剩余壽命預(yù)測(cè)的精確性方面存在的問(wèn)題。本文的主要?jiǎng)?chuàng)新點(diǎn)如下:（1）提出一種基于微分幾何特征融合的深度學(xué)習(xí)故障診斷方法。傳統(tǒng)的深度學(xué)習(xí)方法在時(shí)域中進(jìn)行故障分類時(shí)僅能對(duì)幅值異常類故障進(jìn)行實(shí)時(shí)精確診斷,對(duì)幅值不變頻率異常的頻率類故障診斷的效果有限。基... 

【文章來(lái)源】：河南大學(xué)河南省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于深度學(xué)習(xí)的故障診斷方法分類圖

經(jīng)驗(yàn)?zāi)Ｐ偷姆椒ㄟ^(guò)于依賴專家的先驗(yàn)知識(shí)，因此導(dǎo)致泛化能力差�；谖锢硇枰谰_的退化模型，然而在實(shí)際生產(chǎn)過(guò)程中的退化模型很多都是未知型退化設(shè)備的退化模型也不盡相同，選擇不當(dāng)將會(huì)嚴(yán)重影響剩余壽命的預(yù)測(cè)數(shù)據(jù)的方法能夠克服退化模型未知的問(wèn)題，同時(shí)構(gòu)建模型的輸入也不僅局限數(shù)據(jù)，可以是多種不同類型的數(shù)據(jù)。由于當(dāng)前設(shè)備的復(fù)雜性，很難建立精確，所以數(shù)據(jù)驅(qū)動(dòng)方法是一種熱門(mén)的研究方法，數(shù)據(jù)驅(qū)動(dòng)中以機(jī)器學(xué)習(xí)方法效。由于淺層的機(jī)器學(xué)習(xí)方法具有特征提取不準(zhǔn)確以及容易陷入局部極小值的度學(xué)習(xí)方法可以很好的解決上述問(wèn)題，因此基于深度學(xué)習(xí)的方法是 RUL 預(yù)流行的方法之一[73-77]。[78]中對(duì)三種常規(guī)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了研究，發(fā)現(xiàn)在航空發(fā)動(dòng)機(jī)故障診中，基于 LSTM 和 GRU 的預(yù)測(cè)模型性能比 RNN 更好。文獻(xiàn)[79]中對(duì)刀具磨了研究，將傳感器數(shù)據(jù)進(jìn)行矢量編碼后輸入到 LSTM 網(wǎng)絡(luò)中，進(jìn)行刀具磨損。文獻(xiàn)[80]在文獻(xiàn)[79]的基礎(chǔ)上做了進(jìn)一步的研究，提出一種將 CNN 與 LST

圖 2-1 多個(gè) AE 構(gòu)成的深層神經(jīng)網(wǎng)絡(luò)模型2.1 自動(dòng)編碼器編碼器網(wǎng)絡(luò)是由輸入層、隱藏層和輸出層組成的三層無(wú)監(jiān)督以分為編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩部分，其中輸入層和隱藏層之而隱藏層和輸出層之間的連接被稱為解碼網(wǎng)絡(luò)。如圖 2-2 所E 可以通過(guò)編碼網(wǎng)絡(luò)將輸入數(shù)據(jù)轉(zhuǎn)換到更抽象的特征空間，碼網(wǎng)絡(luò)轉(zhuǎn)換到輸入數(shù)據(jù)空間。由于輸入信號(hào)可以在輸出層重被視為輸入數(shù)據(jù)的一種表示。


本文編號(hào)：3598250