基于深度学习理论的旋转机械故障诊断方法

《基于深度学习理论的旋转机械故障诊断方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代号10532学号S1202G111分类号TH165.3密级公开工程硕士学位论文基于深度学习理论的旋转机械故障诊断方法学位申请人姓名罗鹏培养单位机械与运载工程学院导师姓名及职称杨宇教授黄伟高级工程师学科专业机械工程研究方向设备状态监测与故障诊断论文提交日期2018年4月20日学校代号：10532学号：S1202G111密级：公开湖南大学工程硕士学位论文基于深度学习理论的旋转机械故障诊断方法（国家自然科学基金项目,项目号:51575168）学位申请人姓名：罗鹏导师姓名及职称：杨宇教授黄伟高级工程师培养单位：机械与运载工程学院专业名称：机械工程论

2、文提交日期：2018年4月20日论文答辩日期：2018年5月27日答辩委员会主席：于德介教授AMethodofRotatingMachineryFaultDiagnosisBasedonDeepLearningTheorybyLUOPengB.E.(HunanUniversityofChina)2012AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineeringinMechanicalEngineeringintheGraduateS

3、choolofHunanUniversitySupervisorProfessorYANGYu&SeniorEngieerHUANGWeiMay,2018多变量预测模型在旋转机械故障诊断中的应用研究摘要传统的智能诊断方法一般都是基于“特征提取+分类器”模型，其核心在于特征值的提取以及分类器的设计。针对不同的诊断对象，通常需要根据先验知识提取不同的故障特征值，这必将给最终的诊断结果带来诊断误差；与此同时，传统的分类器一般使用浅层模型，这使得其难以表征信号与装备运行状况之间复杂的映射关系。在这种背景下，HINTON等提出了深度学习（DeepLearn

4、ing）概念。相对于传统人工智能诊断方法建立的浅层模型，深度学习理论的核心在于模仿生物大脑的思维学习模式，建立深层次学习模型，结合海量的训练样本，有效学习样本数据中隐含的特征，从而建立表征样本信号与诊断对象健康状况之间复杂的映射关系。作为深度学习算法的典型代表，深度卷积神经网络（DeepConvolutionalNeuralNetwork，简称DCNN）以及深度信念网络（DeepBeliefNetwork，简称DBN）通过建立深度学习模型，能够自适应提取故障特征及对设备健康状况进行智能识别，避免了信号处理及对专家经验的依赖。本论文在国家自然科学基

5、金项目（51575168）的资助下，对深度学习方法在旋转机械故障诊断中的应用进行了研究。论文主要研究工作如下：（1）探究了变分模态分解（Variationalmodedecomposition，简称VMD）基本原理。针对VMD在实际应用过程中需要根据先验知识确定惩罚函数和分量分解个数这一缺陷，论文提出了一种改进算法，即广义变分模态分解（Generalizedvariationalmodedecomposition，简称GVMD）。该方法减少了人为因素对分解结果造成的主观影响，将信号分解转化为非递归、变分模态分解方式，能够有效分离频率成分相近的谐波

6、分量，能够有效解决信号分离时可能出现的模态混叠问题。仿真信号以及实验信号的分析结果验证了GVMD方法的有效性。（2）DCNN通过建立深度学习模型，避免了对信号处理方法与专家经验的依赖。但是作为一种大数据处理工具，当训练样本数较少时，诊断精度将受到一定影响。而我们在工程实际中能够获取的带标签样本信号数是有限的，为充分利用DCNN自适应提取特征的能力，基于Fisher准则的DCNN算法（Fisher-basedDeepConvolutionalNeuralNetwork，简称FDCNN）在DCNN基础上引入了类内和类间约束的能量函数模型，能够适用于小

7、样本情况下的特征提取及故障诊断。但是该方法中的模型参数需要人为选择，这必然给诊断结果带来一定影响。针对其缺陷，论文提出了一种自适应Fisher准则的深度卷积神经网络（AdaptiveFisher-basedDeepConvolutionalNeuralNetwork，简称AFDCNN）方法。该方法II工程硕士学位论文首先采用优化算法得到最优能量函数模型参数，继而直接从原始时域信号中自动提取故障特征，最后实现故障诊断。对齿轮故障以及轴承故障仿真和实验信号的分析结果表明，该方法可以有效地实现小样本下的旋转机械故障智能诊断。（3）作为深度学习算法典型代

8、表之一的DBN，通过对原始样本数据逐层学习发现其数据分布式特征，从而完成样本识别。与此同时，在将获取的振动信号输入构建的DBN模型时无需