1、 硕士学位论文 中文题目： 深 度学习的 亚健康 识别算法 的研究 Research on Deep Learning Identification 英文题目 ： Algorithm of Subhealth 论文 作者： 指导教师： 专 业： 软 件 工 程 完成 时间： 申请辽宁大学硕士学位论文 深度学习的 亚健康 识别算法 的 研究 Research on Deep Learning Identification Algorithm of Subhealth 作 者： 指导教师： 专 业： 软 件 工 程 答辩日期： 摘 要 I 摘 要 在工业生产过程中，由于复杂的工作环境和生产流程，故
2、障时有发生， 而故障 状态的发生并不是瞬时完成的， 从 正常状态到故障状态的转化 是一个 积累的过程， 而 如果能提前预测故障的发生并进行及时的调控， 对于工业 生产的顺利进行和经济效益的最大化尤为重要 ， 因此研究 故障 的发生和预测成为故障诊断领域的重点， 并 引起了很多 专家 学者的关注。 在阅读 分析了大量的 深度学习和故障诊断方法后， 针对 传统的故障诊断特征提取困难，诊断效果 不理想 ， 本文 提出了一种基于改进深度学习的故障诊断方法。 本文 采 用层叠降噪自动编码机作为深度学习的网络结构， 通过降噪 编码机可以对机械振动信号中 大量 的噪声进行过滤，有助于 噪声特征的提取。而深度
3、 学习中 的非监督预训练方法可以自动的提取出 数据 中的深层 特征 ， 简化 传统人工提取的过程。针对深度学习过程中 由于层数加深导致梯度消失的问 题 ， 本文 对 层叠降噪自动编码机的结构进行改进， 将浅层 节点的 表达 和深层节点的表达进行融合， 避免 了深层网络表达能力不如浅层网络的缺点， 最后 使用支持向量机对提取出的深度特征进行 分类 处理 。 针对 机械 设备从 “ 正常 ” 状态到 “ 故障 ” 状态分类的局限性， 本文 通过引入可靠性理论 中的 威布尔 分布 对滚动 轴承的 “ 亚健康 ” 状态进行划分。 由于同一种 轴承在同样工况下寿命 分布 不均匀，所以不仅需要对轴承进行
4、整体 预测，也 需要对轴承在线状态进行检测， 本文利用 深度学习 的方法 提出了一种 轴承 不同时期状态划分的方法， 对时间序列进行处理， 将 其应用于 滚动 轴承寿命预测。针对 不同的滚动轴承运行状态本文提出了一种基于 统计概率时间序列 处理方法 ， 通过 对 滚动 承状态时间序列的预测可以有效的对当前轴承进行使用寿命的预测。 通过 实验台数据对本文的方法进行验证， 从 实验对比结果 表明 ， 改进 的层叠降噪自动编码器 对滚动 轴承 故障 诊断具有良好的 表现， 对 不同滚动轴承 不同工况下的 “ 亚健康 ” 状态 诊断也取得了 很好 的效果。 关键词 ：深度学习 ， 层叠降噪自动编码 ，
5、 健康度， “ 亚健康Abstract II Abstract In the industrial production process, a fault will occurr due to the complexity of the work environment and production process, but the fault not occur instantaneously, from a normal to a fault condition is a cumulative process, it is important to the industrial produ
6、ction and the smooth progress of economic and benefit maximization if we can predict the fault in advance and in timely regulation. Therefore, the research of fault occurrence and prediction becomes a focus in the field of fault diagnosis, and caused the attention of many experts and scholars. After
7、 reading a large number of deep learning and methods of fault diagnosis, the traditional fault diagnosis feature extraction difficult diagnosis result is not satisfactory, so we propose a method of fault diagnosis based on improved deep learning. In this paper, the stacked denoising autoencoder whic
8、h can be filtered the noise of a large number of mechanical vibration signals is used for deep learning structure to extract the characteristics of the noise. The depth of the data can be extracted automatically by the unsupervised pre-train method, which greatly simplifies the process of traditiona
9、l manual extraction. In this paper, a method is proposed to improve the stacked denoising autoencoder to get ride of the the gradient go away with deeper layers. To avoid the deep network expression ability than shallow network faults, combine the shallow and deep nodes is proposed and finally the u
10、se of support vector machine to extract the depth feature for classification. In this paper, for machinery and equipment from the “normal“ state to the “failure“ state classification limitations , introduce the reliability theory of Weibull Distribution to division of the subhealth state of rolling
11、bearing .Due to the same bearing under the same operating lifetime distribution is not uniform, so its not only need to the overall prediction of bearing, but also need to test the online status of bearing, the deep learning of the method is proposed to divison a bearing different period state divis
12、ion method, after smoothing of time series, it is used in rolling bearing life prediction. In view of the different running state of rolling bearings, this Abstract III paper put forward a based on statistical probability online prediction method, the rolling bearing condition time series prediction
13、 can be effective to the bearing of the service life prediction. Through the experimental data of this method verify from the comparison of the experimental results show that, improved stacked denoising autoencoder for rolling bearing fault diagnosis has good performance and different rolling bearin
14、gs under different working conditions of the subhealth state diagnosis also achieved good results. Key words: Deep Learning, Improved Stack Denoising Autoencoder, Health Degree, Subhealth 目录 IV 目 录 第 1 章 绪论 . 1 1.1 研究背景和研究意义 .1 1.2 国内外研究现状 .3 1.2.1 滚动轴承故障诊断的研究现状 .3 1.2.2 “亚健康 ”理论的研究现状及发展 .5 1.3 论文的主
15、要研究工作 .6 1.4 论文的结构安排 .7 第 2 章 机器学习基础理论 . 8 2.1 BP 神经网络 .8 2.1.1 BP 神经网络结构 .8 2.1.2 BP 神经网络的学习步骤 .9 2.1.3 BP 神经网络的优缺点 .11 2.2 深度学习 .11 2.2.1 深度学习的基本思想 .12 2.2.2 深度学习常用方法 .14 2.2.3 深度学习优点 .15 2.3 支持向量机 .16 2.3.1 最优分类面 .17 2.3.2 广义最优分类面 .18 2.3.3 支持向量回归机 .19 2.3.4 核函数 .21 2.3.5 支持向量机优点 .22 2.4 本章小结 .22
16、 第 3 章 基于深度学习的故障诊断的研究 . 23 目录 V 3.1 自动编码器原理 .23 3.1.1 目标函数及推导 .24 3.1.2 运行步骤 .26 3.2 层叠降噪自动编码 .26 3.3 改进层叠降噪自动编码器 .28 3.3.1 对隐藏层的改进 .28 3.3.2 对结构的改进 .29 3.3.3 改进 SDA-SVM 训练流程 .29 3.4 实验结果及分析 .32 3.4.1 轴承数据预处理 .33 3.4.2 参数确定 .35 3.4.3 隐层特征的提取 .36 3.4.4 实验结果分析 .40 3.5 本章小结 .40 第 4 章 滚动轴承的 “ 亚健康 ” 识别 .
17、 42 4.1 “亚健康”状态 .42 4.1.1 健康度的定义 .42 4.1.2 亚健康状态的划分 .43 4.2 “ 亚健康 ” 识别方法的提出 .46 4.2.1 已有剩余寿命预测方法 .46 4.2.2 提出 “ 亚健康 ” 识别方法 .48 4.2.3 预测剩余寿命改进策略 .49 4.3 本章小结 .50 第 5 章 实验及性能评估 . 51 5.1“ 亚健康 ” 状态诊断 .51 5.1.1 滚动轴承特征对比 .51 5.1.2 剩余寿命预测 .53 目录 VI 5.1.3 实验结果分析 .56 5.2 本章小结 .57 第 6 章 总结和展望 . 58 6.1 总结 .58 6.2 展望 .58 致 谢 . 60 参考文献 . 61 攻读学位期间发表的学术论文及参加科研情况 . 64
