论文部分内容阅读
随着科技的进步,航空、航天等领域的设备正朝着复杂化、综合化方向发展,传统依靠可靠性工程的人工诊断方法已逐渐无法适应设备的变化。为了提高复杂系统的可靠性,在当前数据获取技术和存储技术日益发展的背景下,研究面向复杂系统的智能数据驱动故障诊断技术具有重要意义。深度置信网络(Deep Belief Network,DBN)是机器学习领域的一种新兴方法,以其强大的自动特征提取能力和处理高维、非线性数据等方面的优势,已经在图像处理等领域取得了辉煌的成果,但是在故障诊断领域的运用还有待开发。因此本文从复杂系统数据故障诊断背景出发,针对传统数据驱动故障诊断方法需要丰富的信号处理技术经验以及难以表征被测信号与设备状态之间复杂的映射关系等问题,对基于深度置信网络的数据驱动故障诊断方法开展研究。本文首先在分析DBN基本原理的基础上,对DBN的特征提取和分类能力进行研究,从单个限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)的角度研究了DBN的特征提取能力,主要研究不同迭代次数和不同隐含层节点数下的RBM特征提取性能,对于DBN的分类能力,主要研究不同深度下DBN的分类性能。然后对基于DBN的单传感器故障诊断方法进行研究,该方法将故障特征提取和故障状态识别功能整合在一起,能够从原始时域信号中自动提取故障特征,使用仿真数据集和轴承数据集对DBN的故障特征提取和故障状态识别能力进行了验证和分析。最后从多维时间序列分类的角度研究了基于DBN的多传感器信息故障诊断,针对目前多维时间分类方法没有考虑多维时间序列变量之间重要性联系以及不同样本矩阵约减后维数不完全对应的问题,将共同主成分分析(Common Principle Component Analysis,CPCA)和动态时间规整(Dynamic Time Warping,DTW)方法引入到DBN模型,提出了基于CPCA_DTW_DBN的多维时间序列故障诊断方法,在公开数据集和田纳西-伊斯曼过程故障案例中取得较好的分类效果。通过在公开数据集、仿真数据集和实际故障诊断数据集上进行实验,结果表明,DBN能够从原始单传感器故障数据中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度;提出的CPCA_DTW_DBN方法能够从多维时间序列分类的角度对多传感器数据进行故障诊断。