為解決復雜多工況設備的模式識別問題,消除專家經驗對特征提取與數據融合的影響,提高故障診斷模型泛化能力,開展了基于深度學習模型與信息融合的故障智能診斷方法研究。論文提出了基于多維圖像特征融合及卷積神經網絡的智能診斷方法,構建基于多源信息自適應融合策略的深度學習網絡,發(fā)展了基于多源數據融合的遷移學習智能診斷方法,實現典型設備故障及復合故障的智能模式識別及遷移診斷。論文主要內容及研究成果如下:（1）提出了基于多維圖像特征融合的改進卷積神經網絡智能診斷方法。傳統(tǒng)用于卷積神經網絡分析識別的設備故障數據特征圖大多依賴于專家經驗生成,繁瑣的工程特征篩選及圖像預處理過程耗時耗力,普適性較差。為了構建特征明顯并無需設置過多參數的樣本特征圖,提出了信號轉彩色特征圖和灰度特征圖的方法。基于兩種特征圖的特點構建相匹配的卷積神經網絡框架,用于捕捉彩色和灰度特征圖中的深層信息。通過置于網絡頂層或底層的瓶頸層,顯著豐富特征圖中信息并且無需改變特征圖尺寸,有益于網絡模型識別準確率的提升。通過特殊尺寸的卷積核融合在特征圖中的多源傳感器數據,高效壓縮了灰度特征圖尺寸。通過Adam優(yōu)化器算法不斷優(yōu)化迭代獲得收斂的網絡模型,... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數】：103 頁

【學位級別】：碩士

【部分圖文】：

圖２－１卷積運算示意圖??Ｆｉｇ．２－１?Ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ??

圖２－２瓶頸層示意圖??Ｆｉｇ．２－２?Ｔｈｅ?ｂｏｔｔｌｅｎｅｃｋ?ｌａｙｅｒ??２．２．２激活函數??

?北京化工大學碩士學位論文???ｘ＂＇?＝?ｍａｘ?ａ！．?（２－４）??１?１??式中，＜?——第＿／個特征圖中／？位置輸出；??Ｎｍ—－計算區(qū)域；??ａ）——第／個特征矩陣。??池化層的非重疊的典型映射如圖２－３所示。示意圖中每個池化區(qū)域不堆疊，相比??具有重疊池化區(qū)域的結構能夠更快減少下一層的輸入規(guī)模，當特征圖輸入尺寸為Ｍｘ＃??時，通過尺寸為ｈＡ：的池化層獲得尺寸為ＭｈＭ?Ａ：的特征圖。??ｉｆｅｐＥ??３０?５｜［Ｔ］??ＵｔｌＥＨ?濾波器：２ｘ２??圖２－３最大池化層示意圖??Ｆｉｇ．２－３?Ｔｈｅ?ｍａｘｐｏｏｌｉｎｇ?ｌａｙｅｒ??２．２．４全連接層及Ｓｏｆｔｍａｘ分類器??模型通過多層卷積層逐步提取特征，激活函數進行非線性變化，池化層降低特征??圖尺寸的運算。深層抽象特征映射到全連接層中每一個節(jié)點進一步匯集特征［４８］。最后??通過網絡末端的Ｓｏｆｔｍａｘ函數輸出模式類別。使用反向傳播算法監(jiān)控學習過程，調整??各個層的參數，如卷積核的值、偏置項等參數。全連接層計算公式如下：??ａＯＣ?（２－５）??Ｊ??式中，——第／層的神經元＿／與第／＋１層的神經元／的連接權重矩陣；??ｘ＼——第／層的第ｙ個神經元；??ｂ＼——第／層的第７＿個神經元的偏置項。??在整個模型中，Ｓｏｆｔｍａｘ作為一個“分類器”來實現故障信號的分類。網絡經過??Ｓｏｆｔｍａｘ輸出分類，網絡輸出預測類別即概率最大的類別，網絡輸出預測類別為??ａｒｇ?ｍａｘＰｙ），計算公式為：??ＳＪ＝－—?（２－６）??ｋ＝＼??式中，＼?—－第）類的概率值，??Ｔ—故障類別個數，??ｘｋ——

【參考文獻】：
期刊論文
[1]電網故障智能診斷技術研究綜述[J]. 劉仲民,呼彥喆,張鑫.  南京師大學報(自然科學版). 2019(03)
[2]大數據下機械裝備故障的深度遷移診斷方法[J]. 雷亞國,楊彬,杜兆鈞,呂娜.  機械工程學報. 2019(07)
[3]基于終止準則改進K-SVD字典學習的稀疏表示特征增強方法[J]. 王華慶,任幫月,宋瀏陽,董方,王夢陽.  機械工程學報. 2019(07)
[4]肺部CT圖像中的解剖結構分割方法綜述[J]. 邊子健,覃文軍,劉積仁,趙大哲.  中國圖象圖形學報. 2018(10)
[5]機械系統(tǒng)實測信號預處理方法研究現狀與展望[J]. 湯勝楠,朱勇,李偉,蔡佳熙.  排灌機械工程學報. 2019(09)
[6]基于多尺度本征模態(tài)排列熵和SA-SVM的軸承故障診斷研究[J]. 姚德臣,楊建偉,程曉卿,王興.  機械工程學報. 2018(09)
[7]目標跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識別與人工智能. 2018(01)
[8]深度置信網絡模型及應用研究綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應用. 2018(01)
[9]基于約簡矩陣和C4.5決策樹的故障診斷方法[J]. 徐曌,張斌.  計算機技術與發(fā)展. 2018(02)
[10]高端機械裝備再制造無損檢測綜述[J]. 霍榮偉.  環(huán)球市場信息導報. 2017(37)

博士論文
[1]旋轉機械非平穩(wěn)信號微弱特征提取方法研究[D]. 蔣永華.重慶大學 2010



本文編號：3003881