基于深度信念網(wǎng)絡(luò)的故障診斷研究.pdf

1、故障診斷是視情維修的重要內(nèi)容，通過(guò)監(jiān)測(cè)、處理和學(xué)習(xí)設(shè)備運(yùn)行過(guò)程中產(chǎn)生的狀態(tài)監(jiān)測(cè)信息，提取監(jiān)測(cè)數(shù)據(jù)中隱含的故障相關(guān)的特征并建立特征與狀態(tài)之間非線性聯(lián)系，可以達(dá)到故障檢測(cè)、故障分離和故障識(shí)別三個(gè)目標(biāo)，以實(shí)現(xiàn)對(duì)設(shè)備不同健康狀態(tài)，包含故障類型、故障位置和故障程度的判斷，從而及時(shí)發(fā)現(xiàn)設(shè)備退化過(guò)程中的早期故障，并做出合理的維修決策，提高系統(tǒng)的可靠性，降低維護(hù)成本。隨著傳感器、狀態(tài)監(jiān)測(cè)等技術(shù)的發(fā)展，設(shè)備在運(yùn)行過(guò)程中儲(chǔ)存了大量包含豐富特征信息的實(shí)時(shí)狀態(tài)

2、監(jiān)測(cè)數(shù)據(jù)。深度學(xué)習(xí)的方法具有較好的大數(shù)據(jù)處理能力和特征學(xué)習(xí)能力，可用于具有大量監(jiān)測(cè)數(shù)據(jù)的故障診斷問(wèn)題中。因此，本文將采用深度學(xué)習(xí)中深度信念網(wǎng)絡(luò)的方法，用機(jī)械零部件的狀態(tài)監(jiān)測(cè)數(shù)據(jù)來(lái)訓(xùn)練建立的深度信念網(wǎng)絡(luò)模型，實(shí)現(xiàn)故障診斷。
　　本文以滾動(dòng)軸承為研究對(duì)象，探索深度信念網(wǎng)絡(luò)在機(jī)械零部件故障診斷上的應(yīng)用。首先分析軸承的狀態(tài)監(jiān)測(cè)方法和故障類型，并以美國(guó)凱斯西儲(chǔ)大學(xué)軸承振動(dòng)數(shù)據(jù)為原始信號(hào)用于故障診斷方法的研究和分析。然后，根據(jù)原始信號(hào)的采樣頻

3、率、采樣長(zhǎng)度等確定的樣本輸入數(shù)據(jù)長(zhǎng)度，對(duì)原始信號(hào)進(jìn)行截?cái)嗵幚?，形成指定長(zhǎng)度的樣本輸入數(shù)據(jù)。同時(shí)，根據(jù)故障診斷的研究目的和研究對(duì)象的故障類型以及故障深度，設(shè)置信號(hào)包含的故障類別，并對(duì)應(yīng)每個(gè)樣本的故障類別，設(shè)置樣本的標(biāo)準(zhǔn)輸出數(shù)據(jù)。隨后，在形成樣本的基礎(chǔ)上，對(duì)數(shù)據(jù)進(jìn)行頻域轉(zhuǎn)換和歸一化處理，再根據(jù)樣本輸入數(shù)據(jù)長(zhǎng)度和設(shè)置的故障類別數(shù)建立和訓(xùn)練相應(yīng)的DBN模型，并通過(guò)多個(gè)性能指標(biāo)對(duì)模型進(jìn)行評(píng)估。接著，根據(jù)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)不同設(shè)置多個(gè)隱含層組合，通