论文部分内容阅读
近年来,我国科技水平得到了进一步的提升,信息化的发展带动了工业化的进步,使得机械化生产日益普及。滚动轴承是机械系统的重要组成成分,轴承的失效可能会导致机械系统的损坏,对机械设备中的滚动轴承进行状态监测与故障诊断具有重要意义。传统的智能故障诊断方法主要采用人工提取特征,并将被提取出的特征输入到所运用的机器学习方法中进行训练,以此得到模型进行诊断。随着深度学习等人工智能方法的发展,越来越多的深度学习方法被运用于滚动轴承故障诊断中。本文将深度学习理论与极限学习机相结合,提出一种深层极限学习机的深度学习方法,并搭建了滚动轴承故障诊断实验平台,研究深层极限学习机在滚动轴承故障诊断中的有效性。本文的主要内容分为以下三个部分:1.本文引入了一种深层极限学习机的故障诊断算法。深层极限学习机联合了自编码器的特征提取能力与极限学习机的快速训练能力,相比于SAE、DBN等其他深度学习方法,深层极限学习机极大的缩短了网络的训练时间,提高了应用效率,同时,其可直接采用不经特征提取的原始数据进行训练,避免了人工选取敏感故障特征困难等问题。2.本文提出了一种稀疏近邻深层极限学习机的滚动轴承故障诊断方法,将稀疏保持投影与近邻保持投影两种流形学习方法引入极限学习机中,对深层极限学习机的分类能力进行改进,并搭建了滚动轴承故障诊断实验平台,针对实际生产环境下存在的振动信号难提取的问题,采用电流信号作为诊断数据,研究了电流信号在故障诊断中有效性,诊断结果表明,所提出的算法达到了97.933%的准确率。3.针对实际生产环境中存在的数据标签难获取的问题,提出了一种改进半监督深层极限学习机的故障诊断算法,半监督深层极限学习机融合了深层极限学习机的逐层特征提取能力与半监督极限学习机的半监督学习能力,在有标签数据较少的情况下,能够充分利用无标签数据所包含的信息训练网络的分类器,提高诊断正确率。同时本文搭建了风机轴承故障诊断实验平台,与其他几种有监督、半监督方法的实验对比结果表明,所提出的方法在只有少量有标签数据的情况下达到了95.60%的准确率,且稳定性较好。