畢業(yè)設計(論文)+基于深度學習理論的電機故障診斷

1、基于深度學習理論的電機故障診斷0前言1電機在當代社會生產系統中的應用越來越廣泛，是工業(yè)生產活動的主要驅動設備，一旦發(fā)生故障，將帶來巨大的經濟損失。因此，針對電機故障診斷技術的研究，具有重要的理論研究價值和實際意義。電機是一個復雜的綜合電氣設備，其內部包含復雜的多個子系統，加之電機設備通常工作于比較惡劣的環(huán)境，這使得當一種故障產生時其監(jiān)測信號往往會有多種不同的故障表現形式，從而使得故障診斷比較困難[1]。當前用于電機故障診斷的方法多種多樣

2、，文獻[2]使用小波分析方法分解電機的振動加速度信號，求得各個子頻帶的能量比值，利用這個能量比值的樣本來訓練經過優(yōu)化的支持向量機（SupptVectMachine，SVM），試驗精確度為95.8%，其精度較一般的SVM有較大的提升。文獻[3]提出了一種核主元分析和粒子群支持向量機相結合的異步電機故障診斷方法，利用核主元分析實現特征提取和數據壓縮，將獲得的核主元特征通過支持向量機進行模式識別，試驗精確度為94.5%，其效果較一般的方法精度

3、上有很大的提升。但是，隨著監(jiān)測裝備規(guī)模越來越大、每個裝備需要的測點越來越多、每個測點的采樣頻率越來越高、從開始服役到壽命終止的數據收集歷時越來越長，因此監(jiān)測系統獲得的是海量數據，致使機械健康監(jiān)測領域進入“大數據”時代[4]。上述方法在實現電機故障診斷時，用于試驗的樣本量都很小，而在機械“大數據”背景下，這些小樣本就失去了實際意義。另外，數據量越來越大，樣本量越來越多，5%的錯誤率對應的錯誤診斷數也就越來越高。手動提取特征是非常費時和啟發(fā)

4、式的方法，除了需要大量的先驗知識、技能和豐富的實際經驗作為支撐；還需要大量的時間來調節(jié)以便選取較好的特征；除此之外，手動提取特征常常會使得原始數據中某一部分特征丟失，從而無法獲得對原始數據完整的特征表示。因此，在“大數據”背景下，選擇合適的故障診斷方法和提高故障診斷精確度變得非常重要。(1))()()()()(bxwfxfxhibw?????式中：為樣本，i為第幾個樣本，為激活函數，為網絡參數，為權值，為偏置。)(ix)(?f??bw?

5、?wb解碼就是將低維空間的通過激活函數映射到高維空間來重構樣本，如式(2)。)()(xhbw)(ix（2）))(())((?)()()(bxhwfxhfxbwbw????????式中，是對樣本的重構，為激活函數，為網絡參數，為權值，為偏置。x?)(ix)(?f??bw?????w?b?重構得到的與樣本是不相等的，其誤差如式（3）所示。訓練自編碼的方式就是反向傳播誤差x?)(ix來調整各層的權值和偏置，從而使得誤差收斂并達到最小。WB（3

6、）2?1)?(xxmxxJ??式中，為目標函數，為樣本數量。Jm如果當誤差達到最低，即和無限接近時，則可以說是對樣本很好的表示，也就)?(xxJ)(ix)(?ix)()(xhbw是對樣本的很好的特征表達。1.1.2降噪自編碼在實際應用中，訓練樣本數據中因匯入噪聲，使得數據的某個部分失去了真實性（如電機振動信號在某個時刻受噪聲的干擾，其信號表現出來的特征則無法表達電機狀態(tài)）。AE方法得到的特征因噪聲的存在產生誤差。降噪自編碼（Denois

7、ingAutoencoder，DAE）[11]是在自動編碼器的基礎上為訓練數據加入噪聲，編碼器需要學習祛除噪聲從而獲得沒有被噪聲污染的輸入信號，使其更加具有魯棒性。首先按照分布在樣本上加入隨機噪聲，如式（4）。Dqnx(4))|~(~~xxqxD式中，為含噪樣本，為二項隨機隱藏噪聲。x~Dq然后與傳統AE一樣，使用優(yōu)化算法多次迭代完成網絡的訓練。DAE在訓練樣本中加入了隨機噪聲，降低了訓練樣本和測試樣本分布不同帶來的影響，提高了特征表達