基于深度信念网络的旋转机械故障诊断研究

发布时间：2021-04-08 18:54

　　有效的旋转机械故障诊断对于保证设备安全持续地运行有着至关重要的作用,而良好的故障特征表达对故障诊断的准确性起关键作用。目前基于信号处理和浅层学习模型的故障诊断方法大多数依靠人工提取特征,不仅需要相关的信号处理先验知识,而且需要复杂的提取过程来获得合适的特征,导致特征提取的不确定性,故障诊断结果不理想。本文引入深度学习的概念,利用深度学习模型可以模拟人脑的多层抽象学习机制,从故障信号中自动学习有用的故障特征的特性,以深度信念网络为代表应用于旋转机械关键部件（轴承、齿轮）故障诊断中,详细介绍了深度信念网络的相关理论,针对模型调参没有明确的理论指导,参数设置困难的问题,较为详细地探讨了模型初始参数设置对模型结果的影响,为模型调参提供了一定的参考。首先,针对随机梯度下降法中动量法引起的梯度盲目下降和训练时学习率难以选择的问题,将Nesterov动量法与独立自适应学习率相结合,提出了IADLR-NM（Individual Self-adaptive Learning Rate-Nesterov Momentum）优化算法。使用Nesterov动量法对参数下降的位置进行预测,从而对梯度下降进行正或... 

【文章来源】：苏州大学江苏省

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

频域样本诊断结果:(a)训练精度;(b)测试精度

图 3-11 时域样本诊断结果: (a) 训练精度; (b) 测试精度频域样本和时域样本识别结果可以看出，频域样本诊断模型对隐置要求较高，不合理的神经元数容易导致模型识别结果低，而时层神经元数的依赖较低，在选取神经元数时可以稍微降低要求。小结重点介绍了 DBN 训练时需要设置的相关超参数，包括：预训练 、连接权重W 和偏差 a , b 的初始化、学习迭代次数的设置、DBN数以及数据预处理方式。通过西储大学故障轴承实验数据，探讨信念网络在故障诊断方面性能的影响和适用性，通过改变参数大识别结果，得出初步的结论，尽管该结论没有严格的数据理论支统计数据验证，但在一定程度上为深度信念网络故障诊断模型参的参考。

使用CD-1 计算梯度入进下一次训练预迭代使用IADLR-NM算法得到实际下降梯度更新参数Epoch是否满足最大迭代次数否初始化模型参数，设置epoch=1RBM训练完毕是 图 4-5 基于 IADLR-NM 优化方法的 RBM 预训练过程4.3 算法验证4.3.1 汽车变速器齿轮箱故障诊断

【参考文献】：
期刊论文
[1]一种谱峭度和Morlet小波的滚动轴承微弱故障诊断方法[J]. 丁康,黄志东,林慧斌.  振动工程学报. 2014(01)
[2]基于改进小波神经网络的旋转机械故障诊断[J]. 彭斌,刘振全.  振动、测试与诊断. 2007(01)
[3]国家中长期科学和技术发展规划纲要（2006—2020年）[J].   中华人民共和国国务院公报. 2006(09)



本文编号：3126074