基于深度信念网络的异步电机典型故障的诊断方法及其实验研究

摘要

电机的实时检测和故障诊断能够对电动机故障初期的特征变化进行分析和识别，避免电动机故障的进一步恶化。此外还为电机性能的改善提供了数据和经验，有利于电机的可靠性进一步提升。因此，研究开发电机故障诊断技术和系统，不仅有重要的理论意义，还有重大的经济价值和实用价值。　　在传统的电机故障诊断中，由于电机的机械结构复杂、信号非平稳性等因素以及在信号的特征提取的过程中存在着人为选取的主观性等因素，因而限制了故障诊断识别率的提高。　　本文对深度学习的概念进行了介绍，并将其中的深度信念网络(DBN)应用到轴承和异步电机的故障诊断识别中。采用轴承的振动信号的功率谱密度作为网络的输入，对轴承的不同故障类型以及故障程度进行分类识别，结果表明，深度信念网络在轴承故障诊断中的识别准确率接近100%，说明深度信念网络在故障诊断识别领域具有很高的可行性和实用性。　　将深度信念网络应用到异步电机的故障诊断中，利用美国SQI公司的机械故障综合模拟实验台模拟5种电机状态，将电机原始振动信号的功率谱密度作为网络的训练和测试数据，分析了前向训练次数、微调训练次数、批处理量、网络深度和样本长度对网络识别准确率和时间的影响，为确定最优的网络参数提供了依据。将DBN与传统BP网络、堆叠自动编码器(SAE)、卷积神经网络(CNN)进行对比。结果表明， DBN在电机故障诊断中的识别准确率可以达到100%，识别准确率较传统BP网络有较大的提高；与其它深度学习网络相比，在训练时间上最优。

目录

声明

第1章 绪 论

1.1 课题的来源及研究意义

1.2 深度学习概念

1.2.1 深度信念网络

1.2.2 卷积神经网络

1.2.3 堆叠自动编码网络

1.3 深度学习研究现状

1.3.1 语音识别领域

1.3.2 信息检索领域

1.3.3 计算机视觉领域

1.3.4 故障智能分类识别领域

1.4 课题研究目标和研究内容

1.4.1 课题研究目标

1.4.2 课题的研究内容

第2章 深度信念网络

2.1 玻尔兹曼机

2.2 受限玻尔兹曼机

2.3 前向堆叠RBM学习

2.4 后向微调学习

2.4.1 BP神经网络

2.4.2 SVM分类器

2.4.3 Softmax分类器

2.5 DBN关键参数设置

(1) 参数初始化

(2) 自衰减学习率

(3) 网络深度

(4) 隐藏层节点数

2.6 本章小结

第3章 基于深度信念网络的轴承故障诊断

3.1 轴承故障的研究意义

3.2 轴承振动信号的采集

3.3 基于DBN的轴承故障识别

3.3.1 数据归一化处理

3.3.2 实验结果分析

3.4 本章小结

第4章 基于深度信念网络的异步电机故障诊断

4.1 异步电机的故障概述

4.1.1 异步电机故障成因

4.1.2 异步电机故障类别

4.2故障模拟实验装置介绍

4.3 振动信号采集系统

4.4 实验参数设置

4.5 基于DBN的电机故障识别

4.5.1 振动信号预处理

4.5.2 实验结果分析

4.6 与其它算法对比分析

4.7 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢