基于辅助生成深度置信网络的印刷机轴承故障诊断研究

发布时间：2023-08-06 08:25

　　轴承运转性能对旋转机械的安全稳定运行至关重要。而印刷机是典型的旋转机械之一,其中印刷机的主要零部件轴承的磨损情况会间接影响印品质量。针对传统故障诊断方法在应对样本数据量较大时效率较低,并且诊断精度易被采集到的信号质量影响等问题,本研究提出了一种量子遗传优化的辅助生成深度置信网络的印刷机轴承故障诊断方法。该方法主要是通过辅助生成算法平衡原始数据集,利用深度置信网络自主提取出样本中隐含的故障特征并进行故障类型识别,之后利用量子遗传算法对模型权值进行自适应优化。具体研究内容如下:针对传统故障诊断方法中对故障信号特征进行分析提取的步骤较为复杂,并且受限于信号处理技术以及专家经验等问题,本文研究了多类别轴承故障使用深度置信网络进行特征提取与故障类型识别的方法。通过深度置信网络的自学习能力对轴承振动信号中的故障特征进行学习,之后分类器利用提取到的故障特征对故障轴承类型实现辨别。使用轴承数据集验证该方法的通用性与有效性,平均诊断精度为91.83%,结果表明该方法具有较高的诊断精度,同时削弱了对人工提取故障特征的需求。针对在应对非均衡数据集时,传统深度置信网络轴承故障诊断方法诊断精度较低的问题,本文研...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 故障诊断概述
        1.2.2 印刷机故障诊断研究现状
        1.2.3 基于深度学习的故障诊断研究概述
        1.2.4 基于深度学习算法的故障诊断理论研究
    1.3 基于深度学习算法的故障诊断面临的挑战
    1.4 论文研究主要内容
    1.5 论文整体结构
    1.6 本章小结
2 深度置信网络模型分类性能研究
    2.1 限制玻尔兹曼机
        2.1.1 限制玻尔兹曼机结构
        2.1.2 限制玻尔兹曼机训练方法
    2.2 深度置信网络
    2.3 基于深度置信网络的故障识别模型
        2.3.1 实验数据预处理
        2.3.2 实验分析
    2.4 实验结论
    2.5 本章小结
3 基于辅助生成深度置信网络故障诊断模型
    3.1 传统模型存在的问题
    3.2 辅助生成算法
        3.2.1 生成式对抗网络
        3.2.2 理论模型
    3.3 基于辅助生成的深度置信网络
        3.3.1 .模型改进方案
    3.4 基于辅助生成的深度置信网络模型的建立
        3.4.1 指标器
        3.4.2 学习率
        3.4.3 神经单元数与网络层数
    3.5 基于辅助生成的深度置信网络的轴承故障识别方法
        3.5.1 诊断流程
        3.5.2 实验数据与初始参数
    3.6 结果分析
    3.7 本章小结
4 量子遗传优化的辅助生成深度置信网络方法研究
    4.1 量子遗传算法
    4.2 量子遗传算法基本原理
        4.2.1 量子遗传算法编码方式
        4.2.2 适应度函数
        4.2.3 量子旋转门
        4.2.4 量子变异
    4.3 量子遗传算法步骤与流程
    4.4 量子遗传优化的辅助生成深度置信网络故障诊断模型
        4.4.1 方法框架
        4.4.2 轴承故障诊断模型
    4.5 本章小结
5 实验验证及软件设计
    5.1 实验平台搭建
        5.1.1 印刷机诊断系统基本结构
        5.1.2 数据采集与预处理
    5.2 实验参数设定
    5.3 实验基本流程
    5.4 结果分析
    5.5 系统介绍
    5.6 本章小结
6 总结与展望
    6.1 全文总结
    6.2 课题展望
致谢
参考文献
攻读硕士期间主要研究成果
攻读硕士学位期间参与的科研项目



本文编号：3839396