畢業(yè)設(shè)計(jì)(論文)+基于深度學(xué)習(xí)理論的電機(jī)故障診斷

1、基于深度學(xué)習(xí)理論的電機(jī)故障診斷0前言1電機(jī)在當(dāng)代社會(huì)生產(chǎn)系統(tǒng)中的應(yīng)用越來(lái)越廣泛，是工業(yè)生產(chǎn)活動(dòng)的主要驅(qū)動(dòng)設(shè)備，一旦發(fā)生故障，將帶來(lái)巨大的經(jīng)濟(jì)損失。因此，針對(duì)電機(jī)故障診斷技術(shù)的研究，具有重要的理論研究?jī)r(jià)值和實(shí)際意義。電機(jī)是一個(gè)復(fù)雜的綜合電氣設(shè)備，其內(nèi)部包含復(fù)雜的多個(gè)子系統(tǒng)，加之電機(jī)設(shè)備通常工作于比較惡劣的環(huán)境，這使得當(dāng)一種故障產(chǎn)生時(shí)其監(jiān)測(cè)信號(hào)往往會(huì)有多種不同的故障表現(xiàn)形式，從而使得故障診斷比較困難[1]。當(dāng)前用于電機(jī)故障診斷的方法多種多樣

2、，文獻(xiàn)[2]使用小波分析方法分解電機(jī)的振動(dòng)加速度信號(hào)，求得各個(gè)子頻帶的能量比值，利用這個(gè)能量比值的樣本來(lái)訓(xùn)練經(jīng)過(guò)優(yōu)化的支持向量機(jī)（SupptVectMachine，SVM），試驗(yàn)精確度為95.8%，其精度較一般的SVM有較大的提升。文獻(xiàn)[3]提出了一種核主元分析和粒子群支持向量機(jī)相結(jié)合的異步電機(jī)故障診斷方法，利用核主元分析實(shí)現(xiàn)特征提取和數(shù)據(jù)壓縮，將獲得的核主元特征通過(guò)支持向量機(jī)進(jìn)行模式識(shí)別，試驗(yàn)精確度為94.5%，其效果較一般的方法精度

3、上有很大的提升。但是，隨著監(jiān)測(cè)裝備規(guī)模越來(lái)越大、每個(gè)裝備需要的測(cè)點(diǎn)越來(lái)越多、每個(gè)測(cè)點(diǎn)的采樣頻率越來(lái)越高、從開(kāi)始服役到壽命終止的數(shù)據(jù)收集歷時(shí)越來(lái)越長(zhǎng)，因此監(jiān)測(cè)系統(tǒng)獲得的是海量數(shù)據(jù)，致使機(jī)械健康監(jiān)測(cè)領(lǐng)域進(jìn)入“大數(shù)據(jù)”時(shí)代[4]。上述方法在實(shí)現(xiàn)電機(jī)故障診斷時(shí)，用于試驗(yàn)的樣本量都很小，而在機(jī)械“大數(shù)據(jù)”背景下，這些小樣本就失去了實(shí)際意義。另外，數(shù)據(jù)量越來(lái)越大，樣本量越來(lái)越多，5%的錯(cuò)誤率對(duì)應(yīng)的錯(cuò)誤診斷數(shù)也就越來(lái)越高。手動(dòng)提取特征是非常費(fèi)時(shí)和啟發(fā)

4、式的方法，除了需要大量的先驗(yàn)知識(shí)、技能和豐富的實(shí)際經(jīng)驗(yàn)作為支撐；還需要大量的時(shí)間來(lái)調(diào)節(jié)以便選取較好的特征；除此之外，手動(dòng)提取特征常常會(huì)使得原始數(shù)據(jù)中某一部分特征丟失，從而無(wú)法獲得對(duì)原始數(shù)據(jù)完整的特征表示。因此，在“大數(shù)據(jù)”背景下，選擇合適的故障診斷方法和提高故障診斷精確度變得非常重要。(1))()()()()(bxwfxfxhibw?????式中：為樣本，i為第幾個(gè)樣本，為激活函數(shù)，為網(wǎng)絡(luò)參數(shù)，為權(quán)值，為偏置。)(ix)(?f??bw?

5、?wb解碼就是將低維空間的通過(guò)激活函數(shù)映射到高維空間來(lái)重構(gòu)樣本，如式(2)。)()(xhbw)(ix（2）))(())((?)()()(bxhwfxhfxbwbw????????式中，是對(duì)樣本的重構(gòu)，為激活函數(shù)，為網(wǎng)絡(luò)參數(shù)，為權(quán)值，為偏置。x?)(ix)(?f??bw?????w?b?重構(gòu)得到的與樣本是不相等的，其誤差如式（3）所示。訓(xùn)練自編碼的方式就是反向傳播誤差x?)(ix來(lái)調(diào)整各層的權(quán)值和偏置，從而使得誤差收斂并達(dá)到最小。WB（3

6、）2?1)?(xxmxxJ??式中，為目標(biāo)函數(shù)，為樣本數(shù)量。Jm如果當(dāng)誤差達(dá)到最低，即和無(wú)限接近時(shí)，則可以說(shuō)是對(duì)樣本很好的表示，也就)?(xxJ)(ix)(?ix)()(xhbw是對(duì)樣本的很好的特征表達(dá)。1.1.2降噪自編碼在實(shí)際應(yīng)用中，訓(xùn)練樣本數(shù)據(jù)中因匯入噪聲，使得數(shù)據(jù)的某個(gè)部分失去了真實(shí)性（如電機(jī)振動(dòng)信號(hào)在某個(gè)時(shí)刻受噪聲的干擾，其信號(hào)表現(xiàn)出來(lái)的特征則無(wú)法表達(dá)電機(jī)狀態(tài)）。AE方法得到的特征因噪聲的存在產(chǎn)生誤差。降噪自編碼（Denois

7、ingAutoencoder，DAE）[11]是在自動(dòng)編碼器的基礎(chǔ)上為訓(xùn)練數(shù)據(jù)加入噪聲，編碼器需要學(xué)習(xí)祛除噪聲從而獲得沒(méi)有被噪聲污染的輸入信號(hào)，使其更加具有魯棒性。首先按照分布在樣本上加入隨機(jī)噪聲，如式（4）。Dqnx(4))|~(~~xxqxD式中，為含噪樣本，為二項(xiàng)隨機(jī)隱藏噪聲。x~Dq然后與傳統(tǒng)AE一樣，使用優(yōu)化算法多次迭代完成網(wǎng)絡(luò)的訓(xùn)練。DAE在訓(xùn)練樣本中加入了隨機(jī)噪聲，降低了訓(xùn)練樣本和測(cè)試樣本分布不同帶來(lái)的影響，提高了特征表達(dá)