基于改进深度学习的故障预测维护关键问题研究

发布时间：2022-01-20 05:24

　　智能制造过程中关键设备的预测维护可以实现设备故障诊断过程从计划维修到视情维修的转变,对系统安全稳定运行至关重要。实时的早期故障诊断、精确的寿命预测模型构建是预测维护的两个关键环节。深度学习作为一种先进的数据特征抽取手段在故障诊断和剩余寿命预测中受到了广泛的关注。但是传统深度学习模型对于那些仅在频域中呈现显著征兆特征的机械类故障的实时精确诊断无能为力,另一方面现有基于LSTM（Long Short-Term Memory）的深度学习剩余寿命预测模型的全连接网络结构具有较高的计算复杂度且无法保障剩余寿命预测的精确性。设备的精确故障机理模型无法获取的情况下,本文利用DNN（Deep Neural Networks）、LSTM等深度学习方法作为特征抽取工具开展基于设备运行状态大数据的故障预测维护关键问题研究,解决传统深度学习方法在改善故障诊断的实时性、提高剩余寿命预测的精确性方面存在的问题。本文的主要创新点如下:（1）提出一种基于微分几何特征融合的深度学习故障诊断方法。传统的深度学习方法在时域中进行故障分类时仅能对幅值异常类故障进行实时精确诊断,对幅值不变频率异常的频率类故障诊断的效果有限。基... 

【文章来源】：河南大学河南省

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

基于深度学习的故障诊断方法分类图

经验模型的方法过于依赖专家的先验知识，因此导致泛化能力差。基于物理需要知道精确的退化模型，然而在实际生产过程中的退化模型很多都是未知型退化设备的退化模型也不尽相同，选择不当将会严重影响剩余寿命的预测数据的方法能够克服退化模型未知的问题，同时构建模型的输入也不仅局限数据，可以是多种不同类型的数据。由于当前设备的复杂性，很难建立精确，所以数据驱动方法是一种热门的研究方法，数据驱动中以机器学习方法效。由于浅层的机器学习方法具有特征提取不准确以及容易陷入局部极小值的度学习方法可以很好的解决上述问题，因此基于深度学习的方法是 RUL 预流行的方法之一[73-77]。[78]中对三种常规循环神经网络模型进行了研究，发现在航空发动机故障诊中，基于 LSTM 和 GRU 的预测模型性能比 RNN 更好。文献[79]中对刀具磨了研究，将传感器数据进行矢量编码后输入到 LSTM 网络中，进行刀具磨损。文献[80]在文献[79]的基础上做了进一步的研究，提出一种将 CNN 与 LST

图 2-1 多个 AE 构成的深层神经网络模型2.1 自动编码器编码器网络是由输入层、隐藏层和输出层组成的三层无监督以分为编码网络和解码网络两部分，其中输入层和隐藏层之而隐藏层和输出层之间的连接被称为解码网络。如图 2-2 所E 可以通过编码网络将输入数据转换到更抽象的特征空间，码网络转换到输入数据空间。由于输入信号可以在输出层重被视为输入数据的一种表示。


本文编号：3598250