軸承運(yùn)轉(zhuǎn)性能對旋轉(zhuǎn)機(jī)械的安全穩(wěn)定運(yùn)行至關(guān)重要。而印刷機(jī)是典型的旋轉(zhuǎn)機(jī)械之一,其中印刷機(jī)的主要零部件軸承的磨損情況會間接影響印品質(zhì)量。針對傳統(tǒng)故障診斷方法在應(yīng)對樣本數(shù)據(jù)量較大時效率較低,并且診斷精度易被采集到的信號質(zhì)量影響等問題,本研究提出了一種量子遺傳優(yōu)化的輔助生成深度置信網(wǎng)絡(luò)的印刷機(jī)軸承故障診斷方法。該方法主要是通過輔助生成算法平衡原始數(shù)據(jù)集,利用深度置信網(wǎng)絡(luò)自主提取出樣本中隱含的故障特征并進(jìn)行故障類型識別,之后利用量子遺傳算法對模型權(quán)值進(jìn)行自適應(yīng)優(yōu)化。具體研究內(nèi)容如下:針對傳統(tǒng)故障診斷方法中對故障信號特征進(jìn)行分析提取的步驟較為復(fù)雜,并且受限于信號處理技術(shù)以及專家經(jīng)驗(yàn)等問題,本文研究了多類別軸承故障使用深度置信網(wǎng)絡(luò)進(jìn)行特征提取與故障類型識別的方法。通過深度置信網(wǎng)絡(luò)的自學(xué)習(xí)能力對軸承振動信號中的故障特征進(jìn)行學(xué)習(xí),之后分類器利用提取到的故障特征對故障軸承類型實(shí)現(xiàn)辨別。使用軸承數(shù)據(jù)集驗(yàn)證該方法的通用性與有效性,平均診斷精度為91.83%,結(jié)果表明該方法具有較高的診斷精度,同時削弱了對人工提取故障特征的需求。針對在應(yīng)對非均衡數(shù)據(jù)集時,傳統(tǒng)深度置信網(wǎng)絡(luò)軸承故障診斷方法診斷精度較低的問題,本文研...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 故障診斷概述
        1.2.2 印刷機(jī)故障診斷研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)的故障診斷研究概述
        1.2.4 基于深度學(xué)習(xí)算法的故障診斷理論研究
    1.3 基于深度學(xué)習(xí)算法的故障診斷面臨的挑戰(zhàn)
    1.4 論文研究主要內(nèi)容
    1.5 論文整體結(jié)構(gòu)
    1.6 本章小結(jié)
2 深度置信網(wǎng)絡(luò)模型分類性能研究
    2.1 限制玻爾茲曼機(jī)
        2.1.1 限制玻爾茲曼機(jī)結(jié)構(gòu)
        2.1.2 限制玻爾茲曼機(jī)訓(xùn)練方法
    2.2 深度置信網(wǎng)絡(luò)
    2.3 基于深度置信網(wǎng)絡(luò)的故障識別模型
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        2.3.2 實(shí)驗(yàn)分析
    2.4 實(shí)驗(yàn)結(jié)論
    2.5 本章小結(jié)
3 基于輔助生成深度置信網(wǎng)絡(luò)故障診斷模型
    3.1 傳統(tǒng)模型存在的問題
    3.2 輔助生成算法
        3.2.1 生成式對抗網(wǎng)絡(luò)
        3.2.2 理論模型
    3.3 基于輔助生成的深度置信網(wǎng)絡(luò)
        3.3.1 .模型改進(jìn)方案
    3.4 基于輔助生成的深度置信網(wǎng)絡(luò)模型的建立
        3.4.1 指標(biāo)器
        3.4.2 學(xué)習(xí)率
        3.4.3 神經(jīng)單元數(shù)與網(wǎng)絡(luò)層數(shù)
    3.5 基于輔助生成的深度置信網(wǎng)絡(luò)的軸承故障識別方法
        3.5.1 診斷流程
        3.5.2 實(shí)驗(yàn)數(shù)據(jù)與初始參數(shù)
    3.6 結(jié)果分析
    3.7 本章小結(jié)
4 量子遺傳優(yōu)化的輔助生成深度置信網(wǎng)絡(luò)方法研究
    4.1 量子遺傳算法
    4.2 量子遺傳算法基本原理
        4.2.1 量子遺傳算法編碼方式
        4.2.2 適應(yīng)度函數(shù)
        4.2.3 量子旋轉(zhuǎn)門
        4.2.4 量子變異
    4.3 量子遺傳算法步驟與流程
    4.4 量子遺傳優(yōu)化的輔助生成深度置信網(wǎng)絡(luò)故障診斷模型
        4.4.1 方法框架
        4.4.2 軸承故障診斷模型
    4.5 本章小結(jié)
5 實(shí)驗(yàn)驗(yàn)證及軟件設(shè)計(jì)
    5.1 實(shí)驗(yàn)平臺搭建
        5.1.1 印刷機(jī)診斷系統(tǒng)基本結(jié)構(gòu)
        5.1.2 數(shù)據(jù)采集與預(yù)處理
    5.2 實(shí)驗(yàn)參數(shù)設(shè)定
    5.3 實(shí)驗(yàn)基本流程
    5.4 結(jié)果分析
    5.5 系統(tǒng)介紹
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 課題展望
致謝
參考文獻(xiàn)
攻讀碩士期間主要研究成果
攻讀碩士學(xué)位期間參與的科研項(xiàng)目



本文編號：3839396