畢業(yè)設(shè)計(論文)+基于深度學(xué)習(xí)理論的電機故障診斷

1、基于深度學(xué)習(xí)理論的電機故障診斷0前言1電機在當(dāng)代社會生產(chǎn)系統(tǒng)中的應(yīng)用越來越廣泛，是工業(yè)生產(chǎn)活動的主要驅(qū)動設(shè)備，一旦發(fā)生故障，將帶來巨大的經(jīng)濟損失。因此，針對電機故障診斷技術(shù)的研究，具有重要的理論研究價值和實際意義。電機是一個復(fù)雜的綜合電氣設(shè)備，其內(nèi)部包含復(fù)雜的多個子系統(tǒng)，加之電機設(shè)備通常工作于比較惡劣的環(huán)境，這使得當(dāng)一種故障產(chǎn)生時其監(jiān)測信號往往會有多種不同的故障表現(xiàn)形式，從而使得故障診斷比較困難[1]。當(dāng)前用于電機故障診斷的方法多種多樣

2、，文獻(xiàn)[2]使用小波分析方法分解電機的振動加速度信號，求得各個子頻帶的能量比值，利用這個能量比值的樣本來訓(xùn)練經(jīng)過優(yōu)化的支持向量機（SupptVectMachine，SVM），試驗精確度為95.8%，其精度較一般的SVM有較大的提升。文獻(xiàn)[3]提出了一種核主元分析和粒子群支持向量機相結(jié)合的異步電機故障診斷方法，利用核主元分析實現(xiàn)特征提取和數(shù)據(jù)壓縮，將獲得的核主元特征通過支持向量機進(jìn)行模式識別，試驗精確度為94.5%，其效果較一般的方法精度

3、上有很大的提升。但是，隨著監(jiān)測裝備規(guī)模越來越大、每個裝備需要的測點越來越多、每個測點的采樣頻率越來越高、從開始服役到壽命終止的數(shù)據(jù)收集歷時越來越長，因此監(jiān)測系統(tǒng)獲得的是海量數(shù)據(jù)，致使機械健康監(jiān)測領(lǐng)域進(jìn)入“大數(shù)據(jù)”時代[4]。上述方法在實現(xiàn)電機故障診斷時，用于試驗的樣本量都很小，而在機械“大數(shù)據(jù)”背景下，這些小樣本就失去了實際意義。另外，數(shù)據(jù)量越來越大，樣本量越來越多，5%的錯誤率對應(yīng)的錯誤診斷數(shù)也就越來越高。手動提取特征是非常費時和啟發(fā)

4、式的方法，除了需要大量的先驗知識、技能和豐富的實際經(jīng)驗作為支撐；還需要大量的時間來調(diào)節(jié)以便選取較好的特征；除此之外，手動提取特征常常會使得原始數(shù)據(jù)中某一部分特征丟失，從而無法獲得對原始數(shù)據(jù)完整的特征表示。因此，在“大數(shù)據(jù)”背景下，選擇合適的故障診斷方法和提高故障診斷精確度變得非常重要。(1))()()()()(bxwfxfxhibw?????式中：為樣本，i為第幾個樣本，為激活函數(shù)，為網(wǎng)絡(luò)參數(shù)，為權(quán)值，為偏置。)(ix)(?f??bw?

5、?wb解碼就是將低維空間的通過激活函數(shù)映射到高維空間來重構(gòu)樣本，如式(2)。)()(xhbw)(ix（2）))(())((?)()()(bxhwfxhfxbwbw????????式中，是對樣本的重構(gòu)，為激活函數(shù)，為網(wǎng)絡(luò)參數(shù)，為權(quán)值，為偏置。x?)(ix)(?f??bw?????w?b?重構(gòu)得到的與樣本是不相等的，其誤差如式（3）所示。訓(xùn)練自編碼的方式就是反向傳播誤差x?)(ix來調(diào)整各層的權(quán)值和偏置，從而使得誤差收斂并達(dá)到最小。WB（3

6、）2?1)?(xxmxxJ??式中，為目標(biāo)函數(shù)，為樣本數(shù)量。Jm如果當(dāng)誤差達(dá)到最低，即和無限接近時，則可以說是對樣本很好的表示，也就)?(xxJ)(ix)(?ix)()(xhbw是對樣本的很好的特征表達(dá)。1.1.2降噪自編碼在實際應(yīng)用中，訓(xùn)練樣本數(shù)據(jù)中因匯入噪聲，使得數(shù)據(jù)的某個部分失去了真實性（如電機振動信號在某個時刻受噪聲的干擾，其信號表現(xiàn)出來的特征則無法表達(dá)電機狀態(tài)）。AE方法得到的特征因噪聲的存在產(chǎn)生誤差。降噪自編碼（Denois

7、ingAutoencoder，DAE）[11]是在自動編碼器的基礎(chǔ)上為訓(xùn)練數(shù)據(jù)加入噪聲，編碼器需要學(xué)習(xí)祛除噪聲從而獲得沒有被噪聲污染的輸入信號，使其更加具有魯棒性。首先按照分布在樣本上加入隨機噪聲，如式（4）。Dqnx(4))|~(~~xxqxD式中，為含噪樣本，為二項隨機隱藏噪聲。x~Dq然后與傳統(tǒng)AE一樣，使用優(yōu)化算法多次迭代完成網(wǎng)絡(luò)的訓(xùn)練。DAE在訓(xùn)練樣本中加入了隨機噪聲，降低了訓(xùn)練樣本和測試樣本分布不同帶來的影響，提高了特征表達(dá)