基于深度信念網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷研究
發(fā)布時(shí)間:2021-04-08 18:54
有效的旋轉(zhuǎn)機(jī)械故障診斷對(duì)于保證設(shè)備安全持續(xù)地運(yùn)行有著至關(guān)重要的作用,而良好的故障特征表達(dá)對(duì)故障診斷的準(zhǔn)確性起關(guān)鍵作用。目前基于信號(hào)處理和淺層學(xué)習(xí)模型的故障診斷方法大多數(shù)依靠人工提取特征,不僅需要相關(guān)的信號(hào)處理先驗(yàn)知識(shí),而且需要復(fù)雜的提取過(guò)程來(lái)獲得合適的特征,導(dǎo)致特征提取的不確定性,故障診斷結(jié)果不理想。本文引入深度學(xué)習(xí)的概念,利用深度學(xué)習(xí)模型可以模擬人腦的多層抽象學(xué)習(xí)機(jī)制,從故障信號(hào)中自動(dòng)學(xué)習(xí)有用的故障特征的特性,以深度信念網(wǎng)絡(luò)為代表應(yīng)用于旋轉(zhuǎn)機(jī)械關(guān)鍵部件(軸承、齒輪)故障診斷中,詳細(xì)介紹了深度信念網(wǎng)絡(luò)的相關(guān)理論,針對(duì)模型調(diào)參沒(méi)有明確的理論指導(dǎo),參數(shù)設(shè)置困難的問(wèn)題,較為詳細(xì)地探討了模型初始參數(shù)設(shè)置對(duì)模型結(jié)果的影響,為模型調(diào)參提供了一定的參考。首先,針對(duì)隨機(jī)梯度下降法中動(dòng)量法引起的梯度盲目下降和訓(xùn)練時(shí)學(xué)習(xí)率難以選擇的問(wèn)題,將Nesterov動(dòng)量法與獨(dú)立自適應(yīng)學(xué)習(xí)率相結(jié)合,提出了IADLR-NM(Individual Self-adaptive Learning Rate-Nesterov Momentum)優(yōu)化算法。使用Nesterov動(dòng)量法對(duì)參數(shù)下降的位置進(jìn)行預(yù)測(cè),從而對(duì)梯度下降進(jìn)行正或...
【文章來(lái)源】:蘇州大學(xué)江蘇省
【文章頁(yè)數(shù)】:86 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
頻域樣本診斷結(jié)果:(a)訓(xùn)練精度;(b)測(cè)試精度
圖 3-11 時(shí)域樣本診斷結(jié)果: (a) 訓(xùn)練精度; (b) 測(cè)試精度頻域樣本和時(shí)域樣本識(shí)別結(jié)果可以看出,頻域樣本診斷模型對(duì)隱置要求較高,不合理的神經(jīng)元數(shù)容易導(dǎo)致模型識(shí)別結(jié)果低,而時(shí)層神經(jīng)元數(shù)的依賴較低,在選取神經(jīng)元數(shù)時(shí)可以稍微降低要求。小結(jié)重點(diǎn)介紹了 DBN 訓(xùn)練時(shí)需要設(shè)置的相關(guān)超參數(shù),包括:預(yù)訓(xùn)練 、連接權(quán)重W 和偏差 a , b 的初始化、學(xué)習(xí)迭代次數(shù)的設(shè)置、DBN數(shù)以及數(shù)據(jù)預(yù)處理方式。通過(guò)西儲(chǔ)大學(xué)故障軸承實(shí)驗(yàn)數(shù)據(jù),探討信念網(wǎng)絡(luò)在故障診斷方面性能的影響和適用性,通過(guò)改變參數(shù)大識(shí)別結(jié)果,得出初步的結(jié)論,盡管該結(jié)論沒(méi)有嚴(yán)格的數(shù)據(jù)理論支統(tǒng)計(jì)數(shù)據(jù)驗(yàn)證,但在一定程度上為深度信念網(wǎng)絡(luò)故障診斷模型參的參考。
使用CD-1 計(jì)算梯度入進(jìn)下一次訓(xùn)練預(yù)迭代使用IADLR-NM算法得到實(shí)際下降梯度更新參數(shù)Epoch是否滿足最大迭代次數(shù)否初始化模型參數(shù),設(shè)置epoch=1RBM訓(xùn)練完畢是 圖 4-5 基于 IADLR-NM 優(yōu)化方法的 RBM 預(yù)訓(xùn)練過(guò)程4.3 算法驗(yàn)證4.3.1 汽車變速器齒輪箱故障診斷
【參考文獻(xiàn)】:
期刊論文
[1]一種譜峭度和Morlet小波的滾動(dòng)軸承微弱故障診斷方法[J]. 丁康,黃志東,林慧斌. 振動(dòng)工程學(xué)報(bào). 2014(01)
[2]基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J]. 彭斌,劉振全. 振動(dòng)、測(cè)試與診斷. 2007(01)
[3]國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006—2020年)[J]. 中華人民共和國(guó)國(guó)務(wù)院公報(bào). 2006(09)
本文編號(hào):3126074
【文章來(lái)源】:蘇州大學(xué)江蘇省
【文章頁(yè)數(shù)】:86 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
頻域樣本診斷結(jié)果:(a)訓(xùn)練精度;(b)測(cè)試精度
圖 3-11 時(shí)域樣本診斷結(jié)果: (a) 訓(xùn)練精度; (b) 測(cè)試精度頻域樣本和時(shí)域樣本識(shí)別結(jié)果可以看出,頻域樣本診斷模型對(duì)隱置要求較高,不合理的神經(jīng)元數(shù)容易導(dǎo)致模型識(shí)別結(jié)果低,而時(shí)層神經(jīng)元數(shù)的依賴較低,在選取神經(jīng)元數(shù)時(shí)可以稍微降低要求。小結(jié)重點(diǎn)介紹了 DBN 訓(xùn)練時(shí)需要設(shè)置的相關(guān)超參數(shù),包括:預(yù)訓(xùn)練 、連接權(quán)重W 和偏差 a , b 的初始化、學(xué)習(xí)迭代次數(shù)的設(shè)置、DBN數(shù)以及數(shù)據(jù)預(yù)處理方式。通過(guò)西儲(chǔ)大學(xué)故障軸承實(shí)驗(yàn)數(shù)據(jù),探討信念網(wǎng)絡(luò)在故障診斷方面性能的影響和適用性,通過(guò)改變參數(shù)大識(shí)別結(jié)果,得出初步的結(jié)論,盡管該結(jié)論沒(méi)有嚴(yán)格的數(shù)據(jù)理論支統(tǒng)計(jì)數(shù)據(jù)驗(yàn)證,但在一定程度上為深度信念網(wǎng)絡(luò)故障診斷模型參的參考。
使用CD-1 計(jì)算梯度入進(jìn)下一次訓(xùn)練預(yù)迭代使用IADLR-NM算法得到實(shí)際下降梯度更新參數(shù)Epoch是否滿足最大迭代次數(shù)否初始化模型參數(shù),設(shè)置epoch=1RBM訓(xùn)練完畢是 圖 4-5 基于 IADLR-NM 優(yōu)化方法的 RBM 預(yù)訓(xùn)練過(guò)程4.3 算法驗(yàn)證4.3.1 汽車變速器齒輪箱故障診斷
【參考文獻(xiàn)】:
期刊論文
[1]一種譜峭度和Morlet小波的滾動(dòng)軸承微弱故障診斷方法[J]. 丁康,黃志東,林慧斌. 振動(dòng)工程學(xué)報(bào). 2014(01)
[2]基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J]. 彭斌,劉振全. 振動(dòng)、測(cè)試與診斷. 2007(01)
[3]國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006—2020年)[J]. 中華人民共和國(guó)國(guó)務(wù)院公報(bào). 2006(09)
本文編號(hào):3126074
本文鏈接:http://www.sikaile.net/jixiegongchenglunwen/3126074.html
最近更新
教材專著