基于深度自编码网络的轴承故障诊断研究

发布时间：2020-11-19 15:58

　　 滚动轴承是旋转机械的重要组成部分,若出现故障会直接导致重大经济损失,甚至人员伤亡。由于滚动轴承所处的环境恶劣、复杂,导致故障诊断效果较差。因此,有效的轴承故障诊断方法对机器的正常运转具有重要的意义。在复杂环境下,传统轴承故障诊断方法通过人工提取故障特征,需依赖于专业诊断知识,难以保证故障特征的精准度。而深度自编码网络利用贪婪逐层训练的方法,直接从原始振动信号中自动捕获有用信息,通过利用其较强的特征提取能力和强大的计算能力,保证轴承故障诊断的准确率,达到降低成本目的。因此,研究基于深度自编码网络的轴承故障诊断方法,这对保障工业设备有效高速安全运行至关重要。首先,本文在轴承故障诊断方法上展开研究。研究了当前轴承故障常用的方法,分析了经典的故障诊断方法与特征提取方法的优缺点,并对其特征方法进行比较。研究了深度学习技术,并分析深度自编码网络的原理。研究了云自适应粒子群优化算法,并对其优缺点进行深入分析。其次,给出一种改进的深度自编码网络算法。本方法采用最大相关熵作为损失函数,以减弱噪音对故障诊断准确率的影响,然后利用云自适应粒子群优化算法在搜索方面的随机性与稳定性特点,优化深度自编码网络的连接权值,以减少对权值的约束,进行自适应提取故障特征,并借助于Softmax分类器实现高效准确的故障诊断。最后,建立了一种基于深度自编码网络的轴承故障诊断模型,实现了智能化地故障诊断。对轴承故障振动数据集进行训练和学习,采用滚动轴承的振动信号作为数据集,将数据集分为训练样本和测试样本,得出最佳自动编码器的层数和隐含层节点数;基于此,进行主成分分析,验证所提算法在分类方面的性能。与支持向量机(SVM)、反向传播算法(BP)相比,所提的方法具有更高的诊断准确率,并且诊断结果更加稳定。
【学位单位】：华北电力大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH133.3;TP18
【部分图文】：

图 5-1 滚动轴承振动数据采集试验平台键结构参数于深度自编码网络的轴承故障诊断时，AE 的层数与隐型的整体性能，因此确定这两个影响因素的值非常重要信号，结合深度自编码网络，寻找最优的网络结构。同 AE 层数的故障诊断结果研究。AE 层数下，初始学习率为 0.1，统计了 10 次试验的故障由图可知，AE 层数在小于 3 层时，随着 AE 层数的提高AE 层数大于 3 层时，诊断准确率已经达到很高，并且相，测试试验中 AE 层数采用 3 层，故障诊断效果最佳。
【参考文献】

相关期刊论文 前5条

1 张可;周东华;柴毅;;复合故障诊断技术综述[J];控制理论与应用;2015年09期

2 邱立达;刘天键;林南;黄章超;;基于深度学习模型的无线传感器网络数据融合算法[J];传感技术学报;2014年12期

3 吴杰康;熊焰;;风水气互补发电优化的云模型自适应粒子群优化算法[J];中国电机工程学报;2014年S1期

4 李红卫;杨东升;孙一兰;韩娟;;智能故障诊断技术研究综述与展望[J];计算机工程与设计;2013年02期

5 杨南海;黄明明;赫然;王秀坤;;基于最大相关熵准则的鲁棒半监督学习算法[J];软件学报;2012年02期

本文编号：2890196