基于深度学习的故障诊断技术研究

发布时间：2023-11-04 09:03

　　我国工业领域逐渐趋于自动化、大型化、系统化。在无人化工厂的进程下,机械设备的组成越来越复杂,功能越来越完善,设备安全问题逐渐受到人们的重视。通过对机械设备所采集的振动信号进行特征提取从而进行故障诊断是最为常用的方法。然而如今机械设备的发展逐渐趋于高精、高速、高效,伴随着数据采集与存储技术的不断发展,获取的故障信号逐渐呈现“机械大数据”的特点,传统的故障诊断方法很难对海量的故障数据进行处理,深度学习算法是人工智能的分支,因其多隐层网络与自适应的特征提取能力而能够挖掘数据更深层次的本质特征,利用原始信号的所有特征,不舍弃原始数据信息,相对于传统方法更精确地刻画故障数据从观测值到故障类别之间复杂的映射关系。因此,本文对基于深度学习的故障诊断技术进行研究。首先,从深度置信网络(Deep Belief Net,DBN)的原理出发,利用标准手写数字集对DBN的限制波尔兹曼机(Restricted Boltzmann Machine,RBM)部分的特征提取能力与经BP微调之后的网络的分类能力进行研究,并通过实验深入分析了隐层节点数、学习率与迭代次数对特征提取能力的影响,确定主要参数的设置方式,为基于...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的来源
    1.2 研究目的与意义
    1.3 国内外研究现状及分析
        1.3.1 传统故障诊断概述及研究现状
        1.3.2 基于深度学习的故障诊断研究现状
        1.3.3 并行计算的研究现状
        1.3.4 国内外文献综述的简析
    1.4 主要研究内容
第2章 深度置信网络原理及分类能力研究
    2.1 深度学习简介
    2.2 深度置信网络简介
        2.2.1 受限玻尔兹曼机
        2.2.2 DBN结构及训练方式
    2.3 深度置信网络分类能力研究
        2.3.1 DBN特征提取能力探究
        2.3.2 DBN分类能力的探究
    2.4 本章小结
第3章 基于深度置信网络的故障诊断研究
    3.1 基于深度置信网络的故障诊断概述
        3.1.1 深度置信网络主要参数设置
        3.1.2 故障诊断过程
    3.2 数据集描述与数据预处理
        3.2.1 数据集描述及分析
        3.2.2 FFT变换
        3.2.3 归一化处理
    3.3 基于深度置信网络故障诊断方法的应用
        3.3.1 不同样本长度下的分类能力研究
        3.3.2 参数寻优—网格搜索算法
        3.3.3 特征提取与分类结果分析
        3.3.4 与其他方法的对比
    3.4 本章小结
第4章 基于MatlabMPI并行计算平台的搭建
    4.0 并行计算简介
    4.1 并行化编程实现-Parfor
    4.2 并行计算环境的搭建
        4.2.1 计算机集群硬件环境配置
        4.2.2 分布式并行计算环境部署流程
        4.2.3 建立无密码互访机制
        4.2.4 NFS文件共享系统安装与配置
        4.2.5 MatlabMPI的安装与配置
        4.2.6 NFS性能调优
    4.3 并行计算应用
        4.3.1 阶乘计算测试
        4.3.2 网格搜索算法计算
    4.4 本章小结
第5章 故障诊断系统的设计与实现
    5.1 系统设计需求分析
    5.2 系统环境总体设计
        5.2.1 系统环境与平台
        5.2.2 系统开发工具及设计流程
    5.3 系统功能总体设计
        5.3.1 系统总体架构设计
        5.3.2 系统总体功能设计
        5.3.3 数据库设计
    5.4 系统功能实现
        5.4.1 用户登录模块
        5.4.2 故障实时监测模块
        5.4.3 故障信息历史查询模块
        5.4.4 用户管理模块
        5.4.5 模型上传模块
        5.4.6 系统帮助模块
    5.5 本章小结
结论
参考文献
致谢



本文编号：3859995