發(fā)布時(shí)間：2020-09-02 17:37

　　 現(xiàn)代工業(yè)水平的發(fā)展隨著科技水平的提高得到長(zhǎng)足發(fā)展,生產(chǎn)設(shè)備也由智能化代替最初依靠人工。在這個(gè)過(guò)程中,對(duì)于設(shè)備本身的要求也在不斷提高,任意零部件的損壞都會(huì)對(duì)生產(chǎn)流程產(chǎn)生重要的影響,輕則會(huì)造成經(jīng)濟(jì)上的損失,某些重工業(yè)領(lǐng)域可能對(duì)生命安全造成威脅。對(duì)設(shè)備當(dāng)前狀態(tài)的亞健康識(shí)別,能在很大程度上避免因停機(jī)維修造成的各種損失,由于設(shè)備的故障并不是瞬間造成的,而是一個(gè)不斷積累的過(guò)程,所以設(shè)備狀態(tài)的亞健康識(shí)別研究受到專家學(xué)者的廣泛關(guān)注。在閱讀分析大量深度學(xué)習(xí)和軸承亞健康識(shí)別方法后,針對(duì)傳統(tǒng)的軸承亞健康識(shí)別提取特征困難和診斷效果不理想的問(wèn)題,本文提出一種RVM優(yōu)化強(qiáng)重構(gòu)MDAE的亞健康識(shí)別算法(IMDAE-IFMRVM)。該算法從改進(jìn)邊緣降噪自動(dòng)編碼器和改進(jìn)相關(guān)向量機(jī)兩方面展開(kāi)深入研究。首先,針對(duì)邊緣降噪自動(dòng)編碼器約束條件有限、數(shù)據(jù)壓縮能力弱、重構(gòu)誤差大的問(wèn)題,一方面在原本邊緣降噪約束條件基礎(chǔ)上加入稀疏性的約束條件,解決邊緣降噪自動(dòng)編碼器約束條件有限、數(shù)據(jù)壓縮能力弱的問(wèn)題,另一方面將隱含層的輸入改為前一隱含層的輸出加上預(yù)處理的數(shù)據(jù),解決邊緣降噪自動(dòng)編碼器重構(gòu)誤差大、特征數(shù)據(jù)表達(dá)能力弱的不足。然后,本文針對(duì)特征樣本數(shù)據(jù)中構(gòu)造信息不同及分布不平坦時(shí),使用單一核函數(shù)不能有效處理結(jié)構(gòu)復(fù)雜的樣本數(shù)據(jù)的問(wèn)題,使用兩種核函數(shù)權(quán)重相加的方式代替原來(lái)單一核函數(shù)單獨(dú)作用,對(duì)于核函數(shù)權(quán)重系數(shù)的確定問(wèn)題,在Fisher準(zhǔn)則和最大熵準(zhǔn)則共同作用下求解輸入樣本映射到特征空間中的方差,利用本文提出方法求得。最后,通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),改進(jìn)后的算法能正確識(shí)別軸承數(shù)據(jù)的狀態(tài),驗(yàn)證了本文所提算法的有效性。
【學(xué)位單位】：遼寧大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TH133.3;TP18
【部分圖文】：

圖 5-1 試驗(yàn)臺(tái)結(jié)構(gòu)圖成滾動(dòng)軸承的原因有很多，但是只要能在其發(fā)生故障前發(fā)現(xiàn)就為時(shí)未晚，常見(jiàn)的故障問(wèn)題主要有內(nèi)圈故障、外圈及滾珠”狀況的監(jiān)測(cè)意義重大。因此，本文的實(shí)驗(yàn)數(shù)據(jù)選用滾動(dòng)軸映工作中的真實(shí)狀態(tài)，通過(guò)對(duì)比預(yù)處理前后的數(shù)據(jù)，可能更障狀態(tài)下的數(shù)據(jù)分布情況。據(jù)的采集工作是通過(guò)加速度傳感器完成的，將傳感器分別放的十二點(diǎn)鐘方向，MATLAB處理數(shù)據(jù)記錄器16通道采集的振動(dòng)采樣頻率下收集信號(hào)，驅(qū)動(dòng)端信號(hào)的采樣頻率是 48000S/s。由集到的數(shù)據(jù)已經(jīng)標(biāo)準(zhǔn)化，受到眾多學(xué)者的認(rèn)可（如V.Sugum' n 等），用這樣一組實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證本文所提算法，具有很好的魯有利于驗(yàn)證改進(jìn)模型的有效性。實(shí)驗(yàn)數(shù)據(jù)的選取情況如表 5-表 5-1 八組軸承實(shí)驗(yàn)數(shù)據(jù)參數(shù)

圖 5-2 隱含層數(shù)隨神經(jīng)元個(gè)數(shù)的增加誤差變化圖對(duì)本次實(shí)驗(yàn)?zāi)Ｐ屯負(fù)浣Y(jié)構(gòu)的選擇，對(duì)比一層、兩層、三層隱含層數(shù)隨數(shù)增加，樣本集誤差百分比的變化情況，據(jù)圖 5-2 可看出，一定范圍內(nèi)層數(shù)目不變的情況下隨著神經(jīng)元個(gè)數(shù)的增加，樣本集的誤差呈下降趨勢(shì)層隱含層來(lái)說(shuō)，當(dāng)神經(jīng)元數(shù)目達(dá)到 500 時(shí)誤差最低，約為 0.07，相比層，三層隱含層在神經(jīng)元數(shù)為 400 時(shí)達(dá)到最低點(diǎn)，誤差約為 0.03，因此證最后實(shí)驗(yàn)的準(zhǔn)確性，此次試驗(yàn)選擇的邊緣降噪自動(dòng)編碼器的隱含層數(shù)隱含層神經(jīng)元個(gè)數(shù)為 400 個(gè)。表 5-4 不同約束下特征空間樣本方差和權(quán)重系數(shù)Fisher 準(zhǔn)則方法 最大熵方法 本文核函數(shù)權(quán)重系數(shù)21 22 23 24 0.39 0.53 0.42 0.46 0.52

第 5 章 實(shí)驗(yàn)結(jié)果及分析四次實(shí)驗(yàn)均值為 90.55%，相比原型相關(guān)向量機(jī)，改進(jìn)后的強(qiáng)重構(gòu)邊碼器的亞健康識(shí)別算法在識(shí)別準(zhǔn)確率上提高了 7.65 個(gè)百分點(diǎn)；RVM MDAE 的亞健康識(shí)別算法是在強(qiáng)重構(gòu)邊緣降噪自動(dòng)編碼器的亞健的基礎(chǔ)上改進(jìn)單一的核函數(shù)，并用特征空間的樣本方差求解改進(jìn)后重系數(shù)，四次實(shí)驗(yàn)的識(shí)別準(zhǔn)確率分別為 94.2%、95.7%、94.6%、94.3為 94.7%，與原型相關(guān)向量機(jī)和強(qiáng)重構(gòu)邊緣降噪自動(dòng)編碼器的亞健比，在準(zhǔn)確率上分別提高了 11.8 和 4.15 個(gè)百分點(diǎn)。均方誤差隨迭變化趨勢(shì)如圖 5-6：

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 趙家強(qiáng);基于粒子群神經(jīng)網(wǎng)絡(luò)及D-S理論的亞健康識(shí)別算法研究[D];遼寧大學(xué);2013年

本文編號(hào)：2810903