论文部分内容阅读
近年来,深度学习(Deep Learning)发展十分迅速,并且快速的应用于各个领域,机械设备的故障诊断也逐渐从原来的信号处理与人工判断逐渐走向智能化、信息化。本文将深度学习中常用的网络:堆叠降噪自编码器(Stacked Denoising Autoencoder,SDAE)、深度信念网络(Deep Belief Network,DBN)、卷积神经网络(Convolutional Neural Networks,CNN)进行改进并且与聚类算法相结合应用于旋转机械的故障诊断中。本文的主要研究内容分为以下几个部分:1)从理论上研究了SDAE网络的结构、训练方法,并且通过引入等距特征映射(Isometric Mapping,ISOMAP)方法对SDAE网络进行改进,提出了一种基于SDAE的深度学习网络:ISMSDAE网络。将ISMSDAE网络与基于密度的聚类算法(Density-Based Spatial Clustering of Application with Noise)相结合,提出了ISMSDAE-DBSCAN聚类模型并应用于转子故障的诊断中,取得了较好的诊断效果。针对ISMSDAE-DBSCAN聚类模型不能设置K值,将模糊C均值(Fuzzy CMeans,FCM)算法引入到ISMSDAE网络中,提出了ISMSDAE-FCM聚类模型并且应用于转子故障诊断中,与ISMSDAE-DBSCAN聚类模型相比,具有更好的聚类效果。2)对DBN网络的结构进行改进,将重构独立分析(Reconstruction Independt Component Analysis,RICA)方法引入到DBN网络中,提出了RIDBN网络,将RIDBN网络与FCM算法相结合提出了RIDBN-FCM聚类模型并且应用于齿轮故障诊断中。研究了不同K值下RIDBN-FCM聚类模型在齿轮故障的聚类效果以及不同的模糊度m对该聚类模型结果的影响。3)研究了CNN网络的结构和训练方法,将t-分布式随机嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)方法引入到CNN网络中,提出了一种基于CNN的网络:TSCNN网络。将TSCNN网络与K-均值聚类(K-Means Clustering)算法相结合提出了TSCNN-KMeans聚类模型并应用于轴承故障诊断中。研究了不同K值下TSCNN-KMeans聚类模型在轴承故障诊断的效果。对比了轴承信号的时间序列输入和时频特征输入在TSCNN-KMeans聚类模型中聚类的结果,实验结果表明时频特征在深度学习方法中具有更好的识别度,对旋转机械的故障诊断具有一定的实际参考意义。