论文部分内容阅读
旋转机械的故障诊断就是一个模式识别的过程,模式识别又可以分聚类和分类,常用的分类算法有人工神经网络(Artificial neural network,ANN)、支持向量机(Support Vector Machine,SVM)等,常用的聚类算法有K-means算法、DBSCAN(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法等,但是这些算法都存在着一些尚未解决的缺陷,如人工神经网络容易陷入局部最优解,K-means算法对噪声和孤立点非常敏感等。近年来,由于互联网的快速发展和大数据时代的来临,深度学习模型逐渐受到广泛地关注,通过堆叠多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的深度信念网络(Deep Belief Network,DBN)在应用于特征提取和模式识别时可以取得不错的性能,本文在国家自然科学基金项目(项目号:51575168)的资助下,将深度学习模型和聚类算法相结合,应用于旋转机械的故障诊断中。本文的主要研究内容如下:1.针对ASTFA(Adaptive and SparsestTime-Frequency Analysis,ASTFA)方法在处理齿轮早期裂纹信号的不足,引入最小熵解卷积(Minimum Entropy Deconvolution,MED)用于对齿轮早期故障信号进行降噪处理,提出了MED-ASTFA方法,结合MED-ASTFA和边带对数比(Averaged logarithm ratio,ALR)指标,应用到变转速下齿根裂纹的定量诊断。2.对现有的典型深度学习模型进行分析,通过仿真信号验证深度信念网络在模式识别方面的有效性,并且应用于齿根裂纹的定量诊断。3.结合DBN强大的特征提取能力和聚类算法的优势,将DBN和K-means算法相结合,提出了基于PCDBN(Principal Components Deep Belief Network,PCDBN)和K-means算法的聚类模型,并且在此基础上进一步改进,提出了基于PCDBN和K-means++的聚类模型,并且应用于滚动轴承的状态识别,可以取得更好的效果。4.针对K-means++算法和K-means算法都需要预先设定K的个数的问题,引入迭代自组织数据分析(Iterative Self-organizing Data Analysis Techniques Algorithm,ISODATA)算法,ISODATA可以通过改变合并和分裂等条件,实现数据的自动调整并且完成聚类,并且针对ISODATA算法容易陷入局部最优解的缺陷,进行了改进。提出了基于PCDBN和ISODATA++的聚类模型。并应用于滚动轴承的状态识别。5.研究了一种基于柔性的模糊划分方法,模糊C均值(Fuzzy C-means,FCM)算法,将PCDBN方法和FCM算法将结合,通过控制对比度m和k的个数,可以实现更精确的聚类识别结果。