基于深度學習模型的感應電機故障診斷方法研究.pdf

1、感應電機作為一種必不可缺的驅動裝置，在現(xiàn)代工業(yè)生產中占據(jù)著重要地位。一旦電機出現(xiàn)故障，不僅影響生產設備的整體生產效率，造成經濟損失，嚴重時可能會引發(fā)災難性的事故。因此，為了保障生產系統(tǒng)的安全運行，及時發(fā)現(xiàn)問題并進行維修以減少生產損失，對感應電機進行狀態(tài)監(jiān)測與故障診斷具有非常重要的意義。感應電機發(fā)生故障的位置多，故障現(xiàn)象復雜，而現(xiàn)有的故障診斷方法大多采用信號處理方法來分析采集到的信號，提取一些表現(xiàn)電機運行狀態(tài)的故障特征量用于故障識別。在這

2、過程中不僅需要大量的信號處理專業(yè)知識來對信號進行處理與分析，并且要求技術人員對所檢測機械的運行狀態(tài)和故障相關背景都有較強的專業(yè)認識，再加上機械運轉過程中，大量不可預測的因素存在，使得故障診斷過程更為復雜，人為判斷錯誤的可能性加大。隨著人工智能、機器學習方法的興起與不斷發(fā)展，從數(shù)據(jù)本身自動學習數(shù)據(jù)的有效內在表達的思想和方法為感應電機狀態(tài)監(jiān)測與故障診斷提供了切實有效的研究新思路。本文著重研究了深度學習的幾種實現(xiàn)模型及其在感應電機故障診斷中的

3、應用，主要研究工作和成果歸納如下:
　　(1)系統(tǒng)學習了神經網絡的基本理論和深度學習的基本思想及常用方法，并且針對“淺層”神經網絡存在表達能力有限，泛化能力差的缺點，重點研究了機器學習領域中深度學習的幾種深度基本模型和極限學習機模型，這些模型算法都有效改善了傳統(tǒng)神經網絡的局限性。
　　(2)研究了自動編碼器及其擴展類型:稀疏自編碼和去噪自編碼，并把它們結合到一個自動編碼器模型上，提出基于稀疏去噪自動編碼的感應電機故障診斷方法

4、。利用大量無標簽電機振動數(shù)據(jù)訓練稀疏去噪自動編碼器，提取數(shù)據(jù)的內在簡明且稀疏的特征，進行有效的無監(jiān)督特征學習，進而用于深度神經網絡的構建，實現(xiàn)感應電機的大數(shù)據(jù)特征挖掘與故障診斷。
　　(3)研究了卷積神經網絡，掌握其結構組成及卷積池化操作的過程和意義，實現(xiàn)一維時間序列的卷積操作，提取到具有內部選擇、時域不變的特征。卷積池化結構具有稀疏連接的結構特性，可以利用局部濾波器學習振動數(shù)據(jù)的局部變化，提取到更細致的特征表達。針對傳統(tǒng)卷積神經

5、網絡的監(jiān)督式訓練方式需要大量的訓練樣本和訓練用時的問題，對其結構和訓練方式進行了相應改進，提出一種判別性卷積特征學習方法，更快速智能有效的進行感應電機故障特征學習。
　　(4)研究了極限學習機模型，探索其作為分類器在感應電機故障診斷上的實現(xiàn)效果。研究基于局部感受域的極限學習機，用卷積的節(jié)點實現(xiàn)局部特征的學習，使得極限學習機更適用于具有較強局部性的模式分類問題。研究核極限學習機模型，如支持向量機一樣，其引入核函數(shù)，在不需要知道隱層表