發(fā)布時間：2018-03-20 18:00

  本文選題：故障診斷　切入點(diǎn)：深度學(xué)習(xí)　出處：《東南大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：感應(yīng)電機(jī)作為一種必不可缺的驅(qū)動裝置,在現(xiàn)代工業(yè)生產(chǎn)中占據(jù)著重要地位。一旦電機(jī)出現(xiàn)故障,不僅影響生產(chǎn)設(shè)備的整體生產(chǎn)效率,造成經(jīng)濟(jì)損失,嚴(yán)重時可能會引發(fā)災(zāi)難性的事故。因此,為了保障生產(chǎn)系統(tǒng)的安全運(yùn)行,及時發(fā)現(xiàn)問題并進(jìn)行維修以減少生產(chǎn)損失,對感應(yīng)電機(jī)進(jìn)行狀態(tài)監(jiān)測與故障診斷具有非常重要的意義。感應(yīng)電機(jī)發(fā)生故障的位置多,故障現(xiàn)象復(fù)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(jī)運(yùn)行狀態(tài)的故障特征量用于故障識別。在這過程中不僅需要大量的信號處理專業(yè)知識來對信號進(jìn)行處理與分析,并且要求技術(shù)人員對所檢測機(jī)械的運(yùn)行狀態(tài)和故障相關(guān)背景都有較強(qiáng)的專業(yè)認(rèn)識,再加上機(jī)械運(yùn)轉(zhuǎn)過程中,大量不可預(yù)測的因素存在,使得故障診斷過程更為復(fù)雜,人為判斷錯誤的可能性加大。隨著人工智能、機(jī)器學(xué)習(xí)方法的興起與不斷發(fā)展,從數(shù)據(jù)本身自動學(xué)習(xí)數(shù)據(jù)的有效內(nèi)在表達(dá)的思想和方法為感應(yīng)電機(jī)狀態(tài)監(jiān)測與故障診斷提供了切實(shí)有效的研究新思路。本文著重研究了深度學(xué)習(xí)的幾種實(shí)現(xiàn)模型及其在感應(yīng)電機(jī)故障診斷中的應(yīng)用,主要研究工作和成果歸納如下:(1)系統(tǒng)學(xué)習(xí)了神經(jīng)網(wǎng)絡(luò)的基本理論和深度學(xué)習(xí)的基本思想及常用方法,并且針對"淺層"神經(jīng)網(wǎng)絡(luò)存在表達(dá)能力有限,泛化能力差的缺點(diǎn),重點(diǎn)研究了機(jī)器學(xué)習(xí)領(lǐng)域中深度學(xué)習(xí)的幾種深度基本模型和極限學(xué)習(xí)機(jī)模型,這些模型算法都有效改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性。(2)研究了自動編碼器及其擴(kuò)展類型:稀疏自編碼和去噪自編碼,并把它們結(jié)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(yīng)電機(jī)故障診斷方法。利用大量無標(biāo)簽電機(jī)振動數(shù)據(jù)訓(xùn)練稀疏去噪自動編碼器,提取數(shù)據(jù)的內(nèi)在簡明且稀疏的特征,進(jìn)行有效的無監(jiān)督特征學(xué)習(xí),進(jìn)而用于深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建,實(shí)現(xiàn)感應(yīng)電機(jī)的大數(shù)據(jù)特征挖掘與故障診斷。(3)研究了卷積神經(jīng)網(wǎng)絡(luò),掌握其結(jié)構(gòu)組成及卷積池化操作的過程和意義,實(shí)現(xiàn)一維時間序列的卷積操作,提取到具有內(nèi)部選擇、時域不變的特征。卷積池化結(jié)構(gòu)具有稀疏連接的結(jié)構(gòu)特性,可以利用局部濾波器學(xué)習(xí)振動數(shù)據(jù)的局部變化,提取到更細(xì)致的特征表達(dá)。針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)督式訓(xùn)練方式需要大量的訓(xùn)練樣本和訓(xùn)練用時的問題,對其結(jié)構(gòu)和訓(xùn)練方式進(jìn)行了相應(yīng)改進(jìn),提出一種判別性卷積特征學(xué)習(xí)方法,更快速智能有效的進(jìn)行感應(yīng)電機(jī)故障特征學(xué)習(xí)。(4)研究了極限學(xué)習(xí)機(jī)模型,探索其作為分類器在感應(yīng)電機(jī)故障診斷上的實(shí)現(xiàn)效果。研究基于局部感受域的極限學(xué)習(xí)機(jī),用卷積的節(jié)點(diǎn)實(shí)現(xiàn)局部特征的學(xué)習(xí),使得極限學(xué)習(xí)機(jī)更適用于具有較強(qiáng)局部性的模式分類問題。研究核極限學(xué)習(xí)機(jī)模型,如支持向量機(jī)一樣,其引入核函數(shù),在不需要知道隱層表達(dá)情況下實(shí)現(xiàn)模式分類,具有更強(qiáng)的泛化性與魯棒性。在研究兩種極限學(xué)習(xí)機(jī)故障分類性能后,提出結(jié)合核極限學(xué)習(xí)機(jī)和深度學(xué)習(xí)模型的智能感應(yīng)電機(jī)故障診斷方法,用于多工況下的感應(yīng)電機(jī)故障診斷。
[Abstract]:......
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181;TM346

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魏東;龔慶武;來文青;王波;劉棟;喬卉;林剛;;基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J];中國電機(jī)工程學(xué)報;2016年S1期

2 石鑫;朱永利;寧曉光;王劉旺;孫崗;陳國強(qiáng);;基于深度自編碼網(wǎng)絡(luò)的電力變壓器故障診斷[J];電力自動化設(shè)備;2016年05期

3 雷亞國;賈峰;周昕;林京;;基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J];機(jī)械工程學(xué)報;2015年21期

4 崔玲麗;莫代一;鄔娜;;并聯(lián)基追蹤稀疏分解在齒輪箱弱故障診斷中的應(yīng)用[J];儀器儀表學(xué)報;2014年11期

5 苗中華;周廣興;劉海寧;劉成良;;基于稀疏編碼的振動信號特征提取算法與實(shí)驗(yàn)研究[J];振動與沖擊;2014年15期

6 高斐;李洪儒;許葆華;;基于ICPSO優(yōu)化的極限學(xué)習(xí)機(jī)在故障診斷中的應(yīng)用[J];中國機(jī)械工程;2013年20期

7 李輝;鄭海起;唐力偉;;基于雙樹復(fù)小波包峭度圖的軸承故障診斷研究[J];振動與沖擊;2012年10期

8 黃建;胡曉光;鞏玉楠;;基于經(jīng)驗(yàn)?zāi)�態(tài)分解的高壓斷路器機(jī)械故障診斷方法[J];中國電機(jī)工程學(xué)報;2011年12期

9 雷亞國;;基于改進(jìn)Hilbert-Huang變換的機(jī)械故障診斷[J];機(jī)械工程學(xué)報;2011年05期

10 張亞楠;魏武;武林林;;基于小波包Shannon熵SVM和遺傳算法的電機(jī)機(jī)械故障診斷[J];電力自動化設(shè)備;2010年01期

，

本文編號：1640191