基于深度信念网络的轴承故障诊断研究

论文总字数：25671字

摘 要

旋转机械应用广泛，是最常见的机械系统之一，作为其关键零件，轴承的状态很大程度决定了机械的运行状况，为保证机械系统的安全有效，避免安全事故，故障诊断显得尤为重要。而传统故障诊断方法费时费力，对诊断人员的知识水平和工作经验要求较高。本文应用时域频域分析，包络解调等方法对轴承故障数据进行了诊断，说明了其局限性。而深度学习的兴起，使大量的故障数据的智能分析成为了可能。因此，本课题旨在使用人工智能的方法，实现轴承故障的智能诊断，并通过优化算法进行模型参数优化，进一步提升对故障的分类准确率。本文提出了一种基于深度信念网络的轴承故障诊断方法，并引入了蜂群算法和遗传算法相融合的算法进行参数优化，以解决随机寻优算法容易陷入局部最优的缺陷。本文使用西储大学的轴承故障数据，经过实验验证了该方法的有效性，并通过和卷积神经网络（CNN），反向传播网网络（BP），支持向量机（SVM）以及遗传算法优化深度信念网络的算法的比较，验证了该方法的优越性。

关键词：深度学习，故障诊断，深度信念网络，遗传算法，蜂群算法

Abstract

As one of the most common mechanical system，rotary machinery is widely used. The bearing,as the key parts, its state to a large extent determines the ruNNing state of machinery, in order to ensure the safety and efficiency of the mechanical system, to avoid safety accidents, fault diagnosis is particularly important. However, the traditional fault diagnosis method is time-consuming and laborious, which requires high knowledge level and work experience of diagnostic persoNNel. In this paper, time domain analysis, envelope demodulation and other methods are used to diagnose the bearing fault data, and its limitations are illustrated.The rise of deep learning makes it possible to analyze a large number of fault data intelligently. Therefore, this topic aims to use the method of artificial intelligence to realize the intelligent diagnosis of bearing faults, and optimize the model parameters through the optimization algorithm to further improve the classification accuracy of faults.

A bearing fault diagnosis method based on deep belief network is proposed in this paper, with the algorithm integrating ant colony algorithm and genetic algorithm for parameter optimization, so as to solve the defect that the random optimization algorithm is prone to fall into local optimal. This paper uses the data of case western reserve university of bearing fault, after the experiment verify the effectiveness of the proposed method, and convolutional neural network, back propagation network algorithm, support vector machine the comparison of machine learning algorithms, and the algorithm of genetic algorithm to optimize depth belief network comparison, the superiority of the proposed method is verified.

KEY WORDS: deep learning，fault diagnosis，deep belief network，genetic algorithm，bee colony algorithm

目 录

摘要

Abstract

第一章 绪论 1

1.1 引言 1

1.2 机器设备故障诊断的研究现状 1

1.2.1 传统方法 1

1.2.2 机器学习 2

1.2.3 深度学习 2

1.2.4 寻优算法在深度学习上的应用 2

1.3 本文的主要研究内容 3

第二章 轴承故障机理和诊断方法研究 4

2.1 引言 4

2.2 滚动轴承的故障机理研究 4

2.3 滚动轴承的振动机理研究 4

2.4 振动分析的方法研究 5

2.4.1 时域频域分析 5

2.4.2 包络解调 7

2.5 本章小结 10

第三章 基于深度信念网络的轴承故障诊断方法 11

3.1 引言 11

3.2 神经网络（NN） 11

3.2.1 人工神经元 11

3.2.2 神经网络（NN） 12

3.3 实验用数据 13

3.3.1 数据来源及实验条件 13

3.3.2 数据处理和样本制作 14

3.3.3 实验数据在NN下的分类结果 15

3.4 深度信念网络（DBN） 18

3.4.1 受限玻尔兹曼机（RBM） 18

3.4.2 DBN结构及训练过程 19

3.4.3 重构误差和DBN层数 21

3.4.4 DBN学习率 22

3.4.5 DBN隐层单元数 23

3.5 本章小结 25

第四章 基于优化算法的DBN参数确定 26

4.1 引言 26

4.2 遗传算法 26

4.3 蜂群算法 28

4.4 遗传算法和蜂群算法的融合算法 29

4.5 与BP算法以及SVM算法的比较 31

4.5.1 遗传算法 31

4.5.2 BP算法 31

4.5.3 SVM（支持向量机） 32

4.6 本章小结 33

第五章 结论 34

5.1 结论 34

5.2 未来展望 34

参考文献： 35

剩余内容已隐藏，请支付后下载全文，论文总字数：25671字