機械“大數(shù)據(jù)”驅動的故障診斷方法研究已成當前設備故障診斷領域研究的重點和熱點。深度學習因以強大的自動特征提取能力和處理高維、非線性大數(shù)據(jù)等方面的優(yōu)勢而被廣泛應用,但機械大數(shù)據(jù)存在正常樣本多、故障樣本少問題,而遷移學習則能將源域知識運用到不同但相關的目標域之中,能有效解決故障樣本少的問題。為此,本文結合深度學習和遷移學習的特點,開展了深度遷移方法在滾動軸承故障診斷方面的研究。首先,針對實際機械故障樣本少以及不同工況下數(shù)據(jù)分布不一致,導致傳統(tǒng)機器學習方法診斷精度低的問題,提出基于特征遷移的深度學習軸承故障診斷方法。在不同工況輔助數(shù)據(jù)集中利用遷移成分分析方法（TCA）將源域數(shù)據(jù)與目標域數(shù)據(jù)映射到潛在的Hilbert空間,使得源域和目標域樣本集更加相似,并通過最大均值偏差嵌入法（MMDE）判斷能夠遷移的源域數(shù)據(jù),將源域樣本遷移到目標域中,為深度學習提供充足的訓練樣本,解決了實際故障樣本較少的問題。并且,為了解決單一核函數(shù)作為映射函數(shù)導致診斷可靠性低的問題,提出了組合核函數(shù)半監(jiān)督遷移成分分析（CFSSTCA）算法模型,并利用DBN模型對源域樣本進行訓練,對映射后無標記的目標域樣本進行故障診斷分析... 

【文章來源】：武漢科技大學湖北省

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

軸承試驗示意圖

武漢科技大學碩士學位論文29也會有過擬合的弊端，計算成本也會加大。為此，本章節(jié)DBN網(wǎng)絡模型根據(jù)經(jīng)驗常選用4層結構，兩個隱藏層神經(jīng)元節(jié)點分別為100、100，學習率ζ=0.0001，對于不同工況數(shù)據(jù)集，DBN迭代次數(shù)設置為1500。由于篇幅限制，本章節(jié)僅將工況D作為源域數(shù)據(jù)集，C、B、A分別目標域數(shù)據(jù)集。為減小隨機初始化對訓練結果的影響，重復驗證15次，不同工況下不同核函數(shù)故障識別準確率如圖2-8所示。圖2-8不同工況下不同核函數(shù)滾動軸承故障診斷準確率從圖2-8可以看出，以不同工況下滾動軸承振動信號特征樣本集進行遷移故障診斷時，由于核函數(shù)的選取不同，診斷精度存在差異性。通過對D→A、D→B、D→C建立的源域數(shù)據(jù)集到目標域數(shù)據(jù)集診斷結果中，其中CFSSTCADBN方法故障診斷識別率均最高，主要因素是CFSSTCA方法中的組合核函數(shù)有更好的特征映射能力，相對于單個核函數(shù)效果更好，同時結合SSTCA算法，充分發(fā)揮了其特征遷移的能力，通過CFSSTCADBN故障診斷模型，處理不同工況下多健康狀態(tài)下滾動軸承振動信號有很大的優(yōu)勢性。為了進一步說明CFSSTCADBN實驗結果，將其與普通TCADBN、非遷移的機器學習支持向量機（SVM）和深度信念網(wǎng)絡（DBN）方法進行實驗對比，由表2-4可以看出，CFSSTCADBN的方法故障識別率中平均值最高為97.61%，TCADBN平均識別率為92.43%，很大原因在于故障樣本遷移時，遷移成分分析

武漢科技大學碩士學位論文46結合深度學習DBN診斷模型、機器學習SVM診斷模型和BP神經(jīng)網(wǎng)絡診斷模型進行了驗證分析，DBN模型參數(shù)選取與第二章有相同的網(wǎng)絡結構，其網(wǎng)絡拓撲結構為600-100-100-6，SVM的核函數(shù)為RBF，兩個重要參數(shù)g設為0.05，c設為1，BP神經(jīng)網(wǎng)絡采用與DBN相同的網(wǎng)絡層數(shù)，其方法診斷結果如圖3-6所示。診斷任務診斷方法D→AD→BD→C平均標準偏差98.13%96.04%94.37%96.18%1.54%94.17%93.13%89.58%92.29%1.97%67.29%60.25%65.33%64.29%2.97%57.91%58.33%62.71%59.65%2.17%53.77%48.78%50.93%51.17%4.56%圖3-6不同方法診斷結果對比對比五種方法可知，可以看出DCFSSTCAML-YU模型和DCFSSTCAML-ED模型有更好的診斷能力，其平均診斷率分別為96.18%，92.29%，相對于深度學習DBN模型，平均診斷精度64.29%，機器學習SVM和BP神經(jīng)網(wǎng)絡中，平均診斷率為59.65%，51.17%。深入分析可知，DCFSSTCAML-YU模型和DCFSSTCAML-ED均是采用深層度量學習網(wǎng)絡結構，可以使類間差異最大類內差異最小，經(jīng)過不同工況下的數(shù)據(jù)樣本遷移，在創(chuàng)建的診斷任務源域到目標域的遷移過程中，最小化了源域和目標域之間的分布的不同，故障診斷分析時所提取40%50%60%70%80%90%100%D→AD→BD→C診斷精度(%)診斷任務DCFSSTCAML-YUDCFSSTCAML-EDDBNSVMBP

【參考文獻】：
期刊論文
[1]基于深度遷移學習的小樣本智能變電站電力設備部件檢測[J]. 馬鵬,樊艷芳.  電網(wǎng)技術. 2020(03)
[2]基于深度遷移學習理論含風電光伏系統(tǒng)的地區(qū)電網(wǎng)網(wǎng)損率計算[J]. 盧志剛,楊英杰,李學平,陳建華,劉建恒.  中國電機工程學報. 2020(13)
[3]無標簽數(shù)據(jù)下基于特征知識遷移的機械設備智能故障診斷[J]. 郭亮,董勛,高宏力,李長根.  儀器儀表學報. 2019(08)
[4]基于遷移學習LSSVM的模擬電路故障診斷[J]. 莊城城,易輝,張杰,劉帥.  電子器件. 2019(03)
[5]基于機器學習的設備剩余壽命預測方法綜述[J]. 裴洪,胡昌華,司小勝,張建勛,龐哲楠,張鵬.  機械工程學報. 2019(08)
[6]基于深度學習的飛行器智能故障診斷方法[J]. 姜洪開,邵海東,李興球.  機械工程學報. 2019(07)
[7]考慮多元因素態(tài)勢演變的配電變壓器遷移學習故障診斷模型[J]. 楊志淳,沈煜,楊帆,蔡偉,梁來明.  電工技術學報. 2019(07)
[8]結合深度度量學習的血緣關系識別[J]. 瞿道慶,馬琳,邵珠宏.  中國圖象圖形學報. 2018(10)
[9]一種基于深度度量學習的視頻分類方法[J]. 智洪欣,于洪濤,李邵梅,高超,王艷川.  電子與信息學報. 2018(11)
[10]CNN-SVM模型在抽油機井故障診斷中的應用[J]. 仲志丹,樊浩杰,李鵬輝.  河南理工大學學報(自然科學版). 2018(04)

碩士論文
[1]基于深度學習模型的感應電機故障診斷方法研究[D]. 孫文珺.東南大學 2017
[2]基于BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法[D]. 于婷婷.大連理工大學 2008
[3]基于實例和特征的遷移學習算法研究[D]. 戴文淵.上海交通大學 2009



本文編號：3218497