基于深度信念網(wǎng)絡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(shù)據(jù)來反映設備的健康狀況，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(shù)據(jù)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(lǐng)域面

2、臨的新問題。
　　作為機器學習研究中的一個新領(lǐng)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(xiàn)出強大的性能，而深度信念網(wǎng)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(xiàn)有研究中深度神經(jīng)網(wǎng)絡結(jié)構(gòu)復雜，難于訓練的問題，對基于深度信念網(wǎng)絡的滾動軸承故障診斷進行了研究。
　　本文結(jié)合深度學習理論，采用提取特征和搭建深度信念網(wǎng)絡的方

3、法，提出基于深度信念網(wǎng)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(jié)果的影響，簡化深度信念網(wǎng)絡的結(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(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)絡的原理并對深度信念網(wǎng)絡的分類能力進行研究，主要研究不同的神經(jīng)網(wǎng)絡層數(shù)和迭代次數(shù)對深度信念網(wǎng)絡分類能力的影響，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設計了故障診斷上位機。最后為驗證深度信念網(wǎng)絡的故障診斷能力，使用單隱層BP神經(jīng)網(wǎng)絡和多隱層BP神經(jīng)網(wǎng)絡進行了對比，并分析了深度信念網(wǎng)絡的訓練誤差，驗證了深度信念網(wǎng)絡具有較好的故障診斷能力和效率。
　　本文提出的方法在