论文总字数：32521字

摘 要

滚动轴承作为旋转机械的主要部件，其健康状态直接关系到设备的运行效率和操作人员的生命安全。对滚动轴承进行状态监测和故障诊断，及时发现其早期、微弱故障可以避免不必要的损失和减少维护的成本，有着重要的研究意义。传统的诊断方法依赖于专家经验和信号处理技术，有着较大的不确定性和复杂性，因此急需一种更加智能化的故障识别方法。

文章针对滚动轴承的微弱故障探究了其振动机理及在振动信号上的几种主要表现形式，并结合实际故障数据进行了仿真分析。在此基础上介绍了深度信念网络的相关模型，深入地阐述了其中蕴含的能量模型和统计学思想，并结合Iris数据集和故障数值模拟数据集对DBN进行了测试以验证其分类性能。最后将深度信念网络应用于实际的滚动轴承故障数据的诊断中，并研究了逐步调节网络的神经元数和层数以降低模型误差的方法。探讨了如何动态地调节学习率使得模型有更高的训练效率和更优的训练过程。

最终在不进行人为特征提取的前提下，实现了用深度信念网络对滚动轴承故障的较高准确率的识别。以网格搜索和随机搜索为指导，进一步使用粒子群算法对网络的三层隐藏层神经元数进行了寻优，得到了一组使最终误差保持在较低水平的模型参数。使用基于训练误差离散程度和指数衰减的动态学习率调节方法，提高了训练前期的效率，优化了训练过程。

关键词：滚动轴承，微弱故障，深度信念网络，动态学习率

Abstract

Rolling bearings as the main components of rotating machinery, its health status is directly related to the operating efficiency of equipment and the life safety of operators. The state monitoring and fault diagnosis of rolling bearings, especially the timely detection of early and weak failures can avoid unnecessary losses and reduce maintenance costs, which has important research significance. The traditional diagnosis method relies on expert experience and signal processing technology. And it has great uncertainty and complexity. Therefore, a more intelligent fault identification method is urgently needed.

The vibration mechanism and several main manifestations of the vibration signal for the weak fault signal of the rolling bearing are investigated. On this basis, the relevant knowledge of deep belief networks is introduced, and the energy models and statistical ideas contained therein are elaborated. Finally, the deep belief network was applied to the diagnosis of simulated rolling bearing fault data, and several important hyperparametric adjustment methods of the network model were studied in detail to improve the training efficiency and diagnostic accuracy of the model.

Finally, under the premise of no artificial feature extraction, the deep belief network was used to identify the higher accuracy of the rolling bearing fault, and the structure parameters of the network were optimized by using particle swarm optimization and other methods. A dynamic learning rate adjustment method based on discreteness of training error and exponential decay is proposed to improve training efficiency.

KEY WORDS: rolling bearings, weak failure, deep belief networks, dynamic learning rate

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 旋转机械状态监测和故障诊断的意义 1

1.2 滚动轴承的微弱故障信号 1

1.3 滚动轴承的故障诊断研究现状 2

1.3.1 信号采集 2

1.3.2 特征提取 2

1.3.3 状态识别与诊断 3

1.4 课题的研究意义 3

1.5 论文的主要内容和章节安排 4

第二章 滚动轴承故障机理及振动表现 5

2.1 引言 5

2.2 滚动轴承的振动机理 5

2.2.1 滚动轴承自身结构引起的振动 5

2.2.2 滚动轴承各部件表面损伤引起的振动 6

2.2.3 制造、装配误差引起的振动 6

2.3 滚动轴承故障的振动表现 6

2.3.1 周期性脉冲序列 6

2.3.2 滚动轴承的故障特征频率 6

2.3.3 滚动轴承的固有振动 7

2.4 仿真分析 8

2.4.1 故障模拟数据 8

2.4.2 信号的时域和频域分析 8

2.4.3 信号的包络分析 9

2.5 本章小结 10

第三章 深度信念网络 11

3.1 引言 11

3.2 神经元模型 11

3.3 BP神经网络 11

3.4 受限玻尔兹曼机 13

3.4.1 RBM的结构及能量模型 13

3.4.2 最大似然估计 14

3.4.3 RBM训练算法 15

3.5 深度信念网络 16

3.5.1 DBN的结构与训练过程 16

3.5.2 DBN的优势与滚动轴承故障诊断 17

3.6 仿真分析 18

3.6.1 基于鸢尾花卉（Iris）数据集的模型验证 18

3.6.2 基于数值模拟的滚动轴承故障信号的模型验证 19

3.7 本章小结 21

第四章 基于参数优化的深度信念网络的滚动轴承微弱故障信号识别方法研究 22

4.1 引言 22

4.2 实验系统与实验条件 22

4.3 数据处理及样本制作 23

4.4 参数的初步设定及诊断结果 24

4.5 学习率 25

4.5.1 全局学习率 25

4.5.2 动态学习率 26

4.6 神经元数与层数 28

4.6.1 参数初步搜寻 28

4.6.2 随机搜索 29

4.6.3 基于粒子群（Particle Swarm Optimization，PSO）算法的参数优化 30

4.7 最终模型参数与实验结果 31

4.8 本章小结 32

第五章 结论与展望 33

5.1 论文结论 33

5.2 研究展望 33

致谢 35

参考文献 36

绪论

旋转机械状态监测和故障诊断的意义

工业革命以来，旋转机械已经成为了工业生产与日常生活中难以分割的一部分。随着科技的发展，设备的运行速度逐步提高，体型日趋庞大，整个系统的复杂性也随之增加。然而，在造福人类的同时，这些先进的设备一旦失控所造成的后果是灾难性的。因此，在各种新型设备层出不穷的今天，如何保障旋转机械的正常运行对于工业制造以及维护国民经济都是一个有价值的研究课题。

长期以来，在交通、电力、机械、航空、航天等各领域都有旋转机械的应用，如高铁动车、大型电机组、高速数控机床、航空航天发动机等^[1]。人们试图在充分利用设备最大潜力的同时，使其在尽量大的负荷下，长时间稳定地运行，以达到较好的经济效益和社会效益。然而由于设备的复杂性和诸多不确定的环境因素，在追求效益的过程中也产生了许多安全事故。国内外因机械设备安全故障导致的安全事故不胜枚举，其后果也是触目惊心。旋转机械在带来巨大经济效益的同时，也可以导致人员的生命与经济损失。对旋转机械关键部位的状态监测和故障诊断^[2]有助于我们知晓设备的运行状态和健康状况，可以及时停运设备、排除故障，并带来生产效率的提高、维护成本的降低等回报。

剩余内容已隐藏，请支付后下载全文，论文总字数：32521字