基于深度学习与信息融合的故障智能诊断方法研究
发布时间：2021-01-27 23:02
为解决复杂多工况设备的模式识别问题,消除专家经验对特征提取与数据融合的影响,提高故障诊断模型泛化能力,开展了基于深度学习模型与信息融合的故障智能诊断方法研究。论文提出了基于多维图像特征融合及卷积神经网络的智能诊断方法,构建基于多源信息自适应融合策略的深度学习网络,发展了基于多源数据融合的迁移学习智能诊断方法,实现典型设备故障及复合故障的智能模式识别及迁移诊断。论文主要内容及研究成果如下:（1）提出了基于多维图像特征融合的改进卷积神经网络智能诊断方法。传统用于卷积神经网络分析识别的设备故障数据特征图大多依赖于专家经验生成,繁琐的工程特征筛选及图像预处理过程耗时耗力,普适性较差。为了构建特征明显并无需设置过多参数的样本特征图,提出了信号转彩色特征图和灰度特征图的方法。基于两种特征图的特点构建相匹配的卷积神经网络框架,用于捕捉彩色和灰度特征图中的深层信息。通过置于网络顶层或底层的瓶颈层,显著丰富特征图中信息并且无需改变特征图尺寸,有益于网络模型识别准确率的提升。通过特殊尺寸的卷积核融合在特征图中的多源传感器数据,高效压缩了灰度特征图尺寸。通过Adam优化器算法不断优化迭代获得收敛的网络模型,...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
图２－１卷积运算示意图??Ｆｉｇ．２－１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ??
图２－２瓶颈层示意图??Ｆｉｇ．２－２?Ｔｈｅ?ｂｏｔｔｌｅｎｅｃｋ?ｌａｙｅｒ??２．２．２激活函数??
?北京化工大学硕士学位论文???ｘ＂＇?＝?ｍａｘ?ａ！．?（２－４）??１?１??式中，＜?——第＿／个特征图中／？位置输出；??Ｎｍ—－计算区域；??ａ）——第／个特征矩阵。??池化层的非重叠的典型映射如图２－３所示。示意图中每个池化区域不堆叠，相比??具有重叠池化区域的结构能够更快减少下一层的输入规模，当特征图输入尺寸为Ｍｘ＃??时，通过尺寸为ｈＡ：的池化层获得尺寸为ＭｈＭ?Ａ：的特征图。??ｉｆｅｐＥ??３０?５｜［Ｔ］??ＵｔｌＥＨ?滤波器：２ｘ２??图２－３最大池化层示意图??Ｆｉｇ．２－３?Ｔｈｅ?ｍａｘｐｏｏｌｉｎｇ?ｌａｙｅｒ??２．２．４全连接层及Ｓｏｆｔｍａｘ分类器??模型通过多层卷积层逐步提取特征，激活函数进行非线性变化，池化层降低特征??图尺寸的运算。深层抽象特征映射到全连接层中每一个节点进一步汇集特征［４８］。最后??通过网络末端的Ｓｏｆｔｍａｘ函数输出模式类别。使用反向传播算法监控学习过程，调整??各个层的参数，如卷积核的值、偏置项等参数。全连接层计算公式如下：??ａＯＣ?（２－５）??Ｊ??式中，——第／层的神经元＿／与第／＋１层的神经元／的连接权重矩阵；??ｘ＼——第／层的第ｙ个神经元；??ｂ＼——第／层的第７＿个神经元的偏置项。??在整个模型中，Ｓｏｆｔｍａｘ作为一个“分类器”来实现故障信号的分类。网络经过??Ｓｏｆｔｍａｘ输出分类，网络输出预测类别即概率最大的类别，网络输出预测类别为??ａｒｇ?ｍａｘＰｙ），计算公式为：??ＳＪ＝－—?（２－６）??ｋ＝＼??式中，＼?—－第）类的概率值，??Ｔ—故障类别个数，??ｘｋ——
【参考文献】：
期刊论文
[1]电网故障智能诊断技术研究综述[J]. 刘仲民,呼彦喆,张鑫. 南京师大学报(自然科学版). 2019(03)
[2]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜. 机械工程学报. 2019(07)
[3]基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法[J]. 王华庆,任帮月,宋浏阳,董方,王梦阳. 机械工程学报. 2019(07)
[4]肺部CT图像中的解剖结构分割方法综述[J]. 边子健,覃文军,刘积仁,赵大哲. 中国图象图形学报. 2018(10)
[5]机械系统实测信号预处理方法研究现状与展望[J]. 汤胜楠,朱勇,李伟,蔡佳熙. 排灌机械工程学报. 2019(09)
[6]基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J]. 姚德臣,杨建伟,程晓卿,王兴. 机械工程学报. 2018(09)
[7]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋. 模式识别与人工智能. 2018(01)
[8]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[9]基于约简矩阵和C4.5决策树的故障诊断方法[J]. 徐曌,张斌. 计算机技术与发展. 2018(02)
[10]高端机械装备再制造无损检测综述[J]. 霍荣伟. 环球市场信息导报. 2017(37)
博士论文
[1]旋转机械非平稳信号微弱特征提取方法研究[D]. 蒋永华.重庆大学 2010
本文编号：3003881
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：103 页
【学位级别】：硕士
【部分图文】：
图２－１卷积运算示意图??Ｆｉｇ．２－１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ??
图２－２瓶颈层示意图??Ｆｉｇ．２－２?Ｔｈｅ?ｂｏｔｔｌｅｎｅｃｋ?ｌａｙｅｒ??２．２．２激活函数??
?北京化工大学硕士学位论文???ｘ＂＇?＝?ｍａｘ?ａ！．?（２－４）??１?１??式中，＜?——第＿／个特征图中／？位置输出；??Ｎｍ—－计算区域；??ａ）——第／个特征矩阵。??池化层的非重叠的典型映射如图２－３所示。示意图中每个池化区域不堆叠，相比??具有重叠池化区域的结构能够更快减少下一层的输入规模，当特征图输入尺寸为Ｍｘ＃??时，通过尺寸为ｈＡ：的池化层获得尺寸为ＭｈＭ?Ａ：的特征图。??ｉｆｅｐＥ??３０?５｜［Ｔ］??ＵｔｌＥＨ?滤波器：２ｘ２??图２－３最大池化层示意图??Ｆｉｇ．２－３?Ｔｈｅ?ｍａｘｐｏｏｌｉｎｇ?ｌａｙｅｒ??２．２．４全连接层及Ｓｏｆｔｍａｘ分类器??模型通过多层卷积层逐步提取特征，激活函数进行非线性变化，池化层降低特征??图尺寸的运算。深层抽象特征映射到全连接层中每一个节点进一步汇集特征［４８］。最后??通过网络末端的Ｓｏｆｔｍａｘ函数输出模式类别。使用反向传播算法监控学习过程，调整??各个层的参数，如卷积核的值、偏置项等参数。全连接层计算公式如下：??ａＯＣ?（２－５）??Ｊ??式中，——第／层的神经元＿／与第／＋１层的神经元／的连接权重矩阵；??ｘ＼——第／层的第ｙ个神经元；??ｂ＼——第／层的第７＿个神经元的偏置项。??在整个模型中，Ｓｏｆｔｍａｘ作为一个“分类器”来实现故障信号的分类。网络经过??Ｓｏｆｔｍａｘ输出分类，网络输出预测类别即概率最大的类别，网络输出预测类别为??ａｒｇ?ｍａｘＰｙ），计算公式为：??ＳＪ＝－—?（２－６）??ｋ＝＼??式中，＼?—－第）类的概率值，??Ｔ—故障类别个数，??ｘｋ——
【参考文献】：
期刊论文
[1]电网故障智能诊断技术研究综述[J]. 刘仲民,呼彦喆,张鑫. 南京师大学报(自然科学版). 2019(03)
[2]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜. 机械工程学报. 2019(07)
[3]基于终止准则改进K-SVD字典学习的稀疏表示特征增强方法[J]. 王华庆,任帮月,宋浏阳,董方,王梦阳. 机械工程学报. 2019(07)
[4]肺部CT图像中的解剖结构分割方法综述[J]. 边子健,覃文军,刘积仁,赵大哲. 中国图象图形学报. 2018(10)
[5]机械系统实测信号预处理方法研究现状与展望[J]. 汤胜楠,朱勇,李伟,蔡佳熙. 排灌机械工程学报. 2019(09)
[6]基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J]. 姚德臣,杨建伟,程晓卿,王兴. 机械工程学报. 2018(09)
[7]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋. 模式识别与人工智能. 2018(01)
[8]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[9]基于约简矩阵和C4.5决策树的故障诊断方法[J]. 徐曌,张斌. 计算机技术与发展. 2018(02)
[10]高端机械装备再制造无损检测综述[J]. 霍荣伟. 环球市场信息导报. 2017(37)
博士论文
[1]旋转机械非平稳信号微弱特征提取方法研究[D]. 蒋永华.重庆大学 2010
本文编号：3003881
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3003881.html
最近更新
教材专著
