论文部分内容阅读
压缩机组不同部分之间互相关联,紧密耦合,使得其故障特征具有不确定性、非线性和并发性。传统模型对机组的故障特征表示能力差,而深度学习本质上是一种采取多层非线性变换的信息提取技术,能够实现对数据间复杂关系的建模。因此以深度学习理论为基础,对压缩机组故障预测进行研究具有理论意义和实用价值。本文就如何将深度玻尔兹曼机(Deep Boltzmann Machine,DBM)模型更好地应用于压缩机组状态预测领域展开了研究:(1)研究了基于高斯深度玻尔兹曼机(Gaussian Deep Boltzmann Machine,G-DBM)的压缩机组振动信号预测的建模方法。通过在DBM可视层增加高斯滤波器实现模型的预处理。并且制定预测前的数据准备规则,构建G-DBM预测模型,依靠经验确定模型结构。(2)依靠经验确定模型工作量大,针对该问题研究了G-DBM预测模型的优化方法。提出带有极值扰动的简化粒子群优化(Ex-tremum Disturbed and Simple Particle Swarm Optimization,tsPSO)算法确定模型的参数,并且采用混合共轭梯度法加速G-DBM模型的训练过程。模型优化后得到的预测序列平均误差值减小,预测计算时间也大大降低。(3)为实现状态的预测,拟对现场机组监测数据的预测序列进行状态识别。由于现场故障状态数据极难获取,因此通过实验模拟获得的轴承监测信号来进行模型搭建,论文搭建非抽样提升小波包和G-DBM结合的轴承状态识别模型,为现场机组的状态预测奠定理论基础。针对状态序列中的噪声信号,采用非抽样提升小波包进行降噪,通过无特征提取的G-DBM模型对轴承信号进行状态识别,经过降噪的G-DBM识别比直接采用G-DBM模型的识别结果准确率提高了三个百分点。