论文部分内容阅读
故障诊断是保证工业系统安全稳定运行的重要技术。在工业大数据的背景下,基于数据驱动的故障诊断方法逐渐成为一个热门的研究方向。深度学习作为一种典型的数据驱动方法,它的出现在一定程度上解决了传统方法难以挖掘有效故障特征、泛化能力弱、对精确模型依赖度高等问题。本文开展了基于深度神经网络的故障诊断方法的研究,主要工作如下:(1)完备样本下基于短时傅里叶变换(STFT)和卷积神经网络(CNN)的故障诊断方法。在故障诊断问题中,多数情况下采集的故障信号包含各种噪声。因此,提取特征时容易出现丢失有用信息的情况。为解决这一问题,提出一种结合STFT进行信号降噪处理的CNN算法,并应用于完备样本下的故障诊断。首先,将故障信号通过STFT进行预处理以获得信号的时频信息表示;其次,利用CNN模型对输入的2维图像进行特征学习与故障分类,以实现工业设备故障诊断;最后,在轴承故障数据集上验证了该方法的性能。(2)非完备样本下基于支持向量机(SVM)和CNN的故障诊断方法。在实际工况中,带标签样本稀少而无标签样本数量较多的情形不能满足CNN模型的训练需求。为了解决这一问题,提出一种基于SVM与CNN的知识迁移故障诊断方法。首先,计算时频域中的特征以形成特征候选池;其次,基于稀少带标签样本训练多个SVM模型,并根据SVM模型性能指标,选择最优的SVM模型对无标签样本进行标签预测;然后,将预测标签样本与少量带标签样本组合形成增强训练集(ATS),基于该训练集训练CNN模型,实现从SVM到CNN模型的知识迁移;最后,在两种典型故障数据集上验证了该方法的有效性。(3)基于CNN与证据推理(ER)规则的故障诊断方法。通常单一CNN模型的输入数据都是单一尺度,识别范围有限,而且基于不同尺度数据构建的CNN模型在一定程度上可能产生冲突性故障分类结果。为了解决这一问题,引入一种基于CNN和ER规则的决策层融合模型。首先,对原始数据进行切分和时频域转换等操作,以构建不同尺度数据集;其次,基于不同尺度数据集训练特定CNN模型;然后,通过ER规则对不同诊断模型的分类结果进行融合,以提升诊断精度,减少诊断决策的冲突性;最后,在轴承故障数据集上对该方法进行了验证。