基于深度信念網(wǎng)絡(luò)的滾動軸承故障類型識別方法研究.pdf

1、隨著技術(shù)的發(fā)展，工業(yè)設(shè)備正朝著速度、精度、效率越來越高的方向發(fā)展，為了確保這些設(shè)備的正常運(yùn)行，故障監(jiān)測系統(tǒng)需要采集設(shè)備數(shù)據(jù)來反映設(shè)備的健康狀況，依靠傳統(tǒng)的人工故障診斷技術(shù)逐漸無法適應(yīng)設(shè)備的變化。軸承作為工業(yè)設(shè)備的重要組成部件，約30％的工業(yè)設(shè)備故障是由軸承的故障引起，并且軸承的信號具有工況多樣、復(fù)雜、非線性和非平穩(wěn)性等特點(diǎn)，研究和利用先進(jìn)的理論與方法，從軸承數(shù)據(jù)中挖掘信息，高效、準(zhǔn)確地識別設(shè)備的運(yùn)行狀況，成為機(jī)械設(shè)備故障診斷和監(jiān)測領(lǐng)域面

2、臨的新問題。
　　作為機(jī)器學(xué)習(xí)研究中的一個新領(lǐng)域，深度學(xué)習(xí)以強(qiáng)大的非線性表達(dá)能力在處理圖像、聲音和文本上表現(xiàn)出強(qiáng)大的性能，而深度信念網(wǎng)絡(luò)作為深度學(xué)習(xí)的一種模型，在特征識別、分類和非線性映射上具有強(qiáng)大的表征能力。因此本文針對滾動軸承振動信號的復(fù)雜性、非線性和非平穩(wěn)性，以及現(xiàn)有研究中深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，難于訓(xùn)練的問題，對基于深度信念網(wǎng)絡(luò)的滾動軸承故障診斷進(jìn)行了研究。
　　本文結(jié)合深度學(xué)習(xí)理論，采用提取特征和搭建深度信念網(wǎng)絡(luò)的方

3、法，提出基于深度信念網(wǎng)絡(luò)的滾動軸承故障診斷模型方法。首先，為了減少噪聲對診斷結(jié)果的影響，簡化深度信念網(wǎng)絡(luò)的結(jié)構(gòu)，提高診斷效率，用信號特征代替原始信號作為深度信念網(wǎng)絡(luò)的輸入，為提取更多的滾動軸承故障特征，全面準(zhǔn)確的刻畫出軸承的實(shí)時(shí)情況，從振動信號中提取了時(shí)域、頻域和時(shí)頻域特征，其中時(shí)域特征包括最大值、平均值、峰峰值、均方根、峭度、波形因子、峰值因子、峭度因子、脈沖因子和裕度因子，頻域特征包括中心頻率和頻率方差，時(shí)頻域特征是振動信號經(jīng)過小波

4、包分解后各頻帶的能量相對值。接著闡述了深度信念網(wǎng)絡(luò)的原理并對深度信念網(wǎng)絡(luò)的分類能力進(jìn)行研究，主要研究不同的神經(jīng)網(wǎng)絡(luò)層數(shù)和迭代次數(shù)對深度信念網(wǎng)絡(luò)分類能力的影響，并得出理想層數(shù)和迭代次數(shù)，為后續(xù)研究提供基礎(chǔ)。接著基于MFC設(shè)計(jì)了故障診斷上位機(jī)。最后為驗(yàn)證深度信念網(wǎng)絡(luò)的故障診斷能力，使用單隱層BP神經(jīng)網(wǎng)絡(luò)和多隱層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了對比，并分析了深度信念網(wǎng)絡(luò)的訓(xùn)練誤差，驗(yàn)證了深度信念網(wǎng)絡(luò)具有較好的故障診斷能力和效率。
　　本文提出的方法在