基于卷积神经网络代价敏感学习的故障诊断算法研究

发布时间：2022-12-22 19:20

　　在现代工业生产中机械设备的智能化程度不断提高,这些设备在大幅提高生产效率的同时也带来了维护上的困难。现实中即使是一个不明显的小故障也可能会因为时间的累积导致严重事故进而导致经济损失甚至是人员伤亡,因此我们希望能够对设备及时的检修防止事故的发生。然而如果仅仅使用人力检修必然需要停机然后耗费大量的时间才能完成,而这期间也会造成大量的经济损失。为了实现对机械设备快速有效的检测和维护,机械的智能故障诊断技术越来越受到研究者的重视,且其已经成为现代工业4.0的一个重要研究课题。机械的智能故障诊断技术在提高故障诊断的速度和精度的同时也降低了设备的维护成本。借助于机器学习技术特别是深度学习技术故障诊断算法变得越来越有效和智能,其在准确率和稳定性上都大幅提高。然而目前的故障诊断算法依然有很多可以优化的地方。比如:目前大多数故障诊断算法依赖于使用专家经验完成特征提取的任务、故障诊断模型的训练速度和诊断效果很难兼顾、大部分研究都没有考虑当诊断出现错误所产生的不同代价进而对算法的评价过于乐观等等。针对上述存在的一些问题本文分别尝试使用卷积神经网络处理原始振动信号、代价敏感学习等方案来解决。卷积神经网络（CN... 

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 基于深度学习的故障诊断的研究现状
    1.3 面向数据不平衡问题的研究现状
    1.4 本文的工作和组织结构
第2章 卷积网络与实验基础
    2.1 卷积神经网络简介
        2.1.1 卷积层
        2.1.2 激活函数层
        2.1.3 池化层
        2.1.4 全连接层与softmax回归
    2.2 网络参数的初始化
    2.3 网络的训练与Adam优化算法
    2.4 典型的CNN结构VGG简介
    2.5 常见的故障诊断数据集简介
    2.6 本章小结
第3章 基于二维卷积网络的故障诊断研究
    3.1 基于信号处理二维化的方法
        3.1.1 短时傅里叶变换
        3.1.2 连续小波变换
    3.2 表征学习的原理
    3.3 一维原始数据二维化的方法
        3.3.1 振动信号二维灰度化
        3.3.2 错位时间序列
    3.4 实验验证与效果比对
        3.4.1 数据预处理
        3.4.2 卷积网络结构
        3.4.3 实验效果比对
    3.5 本章小结
第4章 代价敏感学习算法
    4.1 类间代价敏感
    4.2 样例代价敏感
    4.3 基于类间代价的改进代价敏感算法
        4.3.1 代价矩阵值的学习
        4.3.2 代价敏感矩阵与网络参数的协同训练
    4.4 本章小结
第5章 实验与分析
    5.1 输入数据的预处理
    5.2 实验中的评价指标
    5.3 实验结果比对
    5.4 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 研究展望
参考文献
致谢
攻读硕士学位期间取得的成果
学位论文评阅及答辩情况表


【参考文献】：
期刊论文
[1]滚动轴承故障诊断中数据不均衡问题的研究[J]. 刘天羽,李国正.  计算机工程与科学. 2010(05)

博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019

硕士论文
[1]基于大数据分析的故障诊断方法研究[D]. 黄腾达.北京工业大学 2019
[2]基于卷积神经网络的机械故障诊断域自适应算法研究[D]. 朱智宇.哈尔滨工业大学 2019
[3]基于时频分析和CNN的滚动轴承故障诊断方法研究[D]. 唐蕞.哈尔滨工业大学 2019
[4]基于卷积神经网络与多源信息融合的故障诊断方法研究[D]. 王琪.电子科技大学 2019
[5]结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究[D]. 黄驰城.浙江大学 2019
[6]基于深度学习的化工故障诊断方法研究[D]. 胡志新.杭州电子科技大学 2018



本文编号：3723889