论文部分内容阅读
当今社会,电机作为一种能量转换设备,广泛应用于人们的日常生产生活。电机一旦发生故障,轻则直接造成经济损失,影响生产效率,重则引起灾难性事故,威胁操作人员的生命安全。因此预先对电机的故障或不稳定运行状态进行排除,将原先对电机的定期检修转变为当前的预知维修,对保障生产生活系统正常运行具有十分重要的意义。传统电机故障诊断方法对于小数据集环境下的单一故障任务已经能取得非常好的效果,但面对目前故障数据维度不断升高,多故障并发的电机故障诊断任务往往时效性差、准确率得不到保障。针对传统故障诊断方法的以上不足,本文基于特征工程采用一种通过交叉验证优化随机梯度下降的反向传播网络方法。该方法的随机梯度下降能批量对大数据集进行处理,并通过交叉验证解决随机梯度下降方向不确定所带来的局部极值问题。由于该CV+SGDBPNN方法的单隐层结构泛化能力和表达能力具有局限性,在对深度学习理论进行大量研究之后,本文基于特征学习对Le Net进行了改进,应用了一种2卷积层串联型卷积神经网络应对大数据集下的多故障诊断任务,该方法通过添加LRN层并在第二卷积层将LRN层与最大池化层进行对调提升了网络的泛化能力。之后本文对降噪自编码器进行了改进,加入Xavier初始化器对权值进行初始化。在Tensor Flow框架下,本文对传统特征工程方法、CV+SGDBPNN方法、2卷积层串联型卷积神经网络和降噪自编码器进行了仿真对比。在大数据集环境下,相比于传统特征工程方法,CV+SGDBPNN随着数据集的增大所发挥的性能逐渐增强,在多故障诊断任务中取得88.24%的准确率;降噪自编码器取得93.61%的准确率;2卷积层串联型卷积神经网络在大数据集多故障诊断任务中取得97.71%的准确率,其他性能指标均优于传统电机故障诊断方法。