基于深度信念網絡的滾動軸承故障類型識別方法研究.pdf

1、隨著技術的發(fā)展，工業(yè)設備正朝著速度、精度、效率越來越高的方向發(fā)展，為了確保這些設備的正常運行，故障監(jiān)測系統(tǒng)需要采集設備數據來反映設備的健康狀況，依靠傳統(tǒng)的人工故障診斷技術逐漸無法適應設備的變化。軸承作為工業(yè)設備的重要組成部件，約30％的工業(yè)設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、復雜、非線性和非平穩(wěn)性等特點，研究和利用先進的理論與方法，從軸承數據中挖掘信息，高效、準確地識別設備的運行狀況，成為機械設備故障診斷和監(jiān)測領域面

2、臨的新問題。
　　作為機器學習研究中的一個新領域，深度學習以強大的非線性表達能力在處理圖像、聲音和文本上表現出強大的性能，而深度信念網絡作為深度學習的一種模型，在特征識別、分類和非線性映射上具有強大的表征能力。因此本文針對滾動軸承振動信號的復雜性、非線性和非平穩(wěn)性，以及現有研究中深度神經網絡結構復雜，難于訓練的問題，對基于深度信念網絡的滾動軸承故障診斷進行了研究。
　　本文結合深度學習理論，采用提取特征和搭建深度信念網絡的方

3、法，提出基于深度信念網絡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果的影響，簡化深度信念網絡的結構，提高診斷效率，用信號特征代替原始信號作為深度信念網絡的輸入，為提取更多的滾動軸承故障特征，全面準確的刻畫出軸承的實時情況，從振動信號中提取了時域、頻域和時頻域特征，其中時域特征包括最大值、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，時頻域特征是振動信號經過小波

4、包分解后各頻帶的能量相對值。接著闡述了深度信念網絡的原理并對深度信念網絡的分類能力進行研究，主要研究不同的神經網絡層數和迭代次數對深度信念網絡分類能力的影響，并得出理想層數和迭代次數，為后續(xù)研究提供基礎。接著基于MFC設計了故障診斷上位機。最后為驗證深度信念網絡的故障診斷能力，使用單隱層BP神經網絡和多隱層BP神經網絡進行了對比，并分析了深度信念網絡的訓練誤差，驗證了深度信念網絡具有較好的故障診斷能力和效率。
　　本文提出的方法在