基于深度信念网络的滚动轴承寿命预测方法研究

《基于深度信念网络的滚动轴承寿命预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代号10532学号S1502W0166分类号TH165.3密级公开工程硕士学位论文基于深度信念网络的滚动轴承寿命预测方法研究学位申请人姓名张娜培养单位机械与运载工程学院导师姓名及职称杨宇教授黄伟高级工程师学科专业车辆工程研究方向设备状态监测与故障诊断论文提交日期2018年4月20日学校代号：10532学号：S1502W0166密级：公开湖南大学工程硕士学位论文基于深度信念网络的滚动轴承寿命预测方法研究（国家自然科学基金项目,项目号:51575168）学位申请人姓名：张娜导师姓名及职称：杨宇教授黄伟高级工程师

2、培养单位：机械与运载工程学院专业名称：车辆工程论文提交日期：2018年4月20日论文答辩日期：2018年5月27日答辩委员会主席：于德介教授AMethodofRollingBearingLifePredictionBasedonDeepBeliefNetworkbyZhangNaB.E.(NorthUniversityofChina)2015AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineerin

3、ginVehicleEngineeringintheGraduateSchoolofHunanUniversitySupervisorProfessorYANGYu&SeniorEngineerHUANGWeiMay,2018基于深度信念网络的滚动轴承寿命预测方法研究摘要滚动轴承在国民经济和国防事业各个领域应用非常广泛，是机械设备的基础零部件，也是最易受损的部件，其可靠性和寿命会影响转子系统乃至整机的性能和寿命。通过对滚动轴承的状态进行监测，可准确判断其故障，预测其剩余寿命（RemainingUsefulLif

4、e，RUL），从而综合反映其故障程度，所以研究滚动轴承的RUL有重大的实际工程价值。本文以滚动轴承寿命加速实验中采集到的振动信号为研究对象，首先分析了传统的滚动轴承RUL预测的三个步骤：信号处理、特征提取和RUL预测，讨论了基于自适应最稀疏时频分析（AdaptiveandSparsestTime-FrequencyAnalysis，ASTFA）方法的滚动轴承趋势分析；然后研究了经粒子群优化算法（ParticleSwarmOptimization，PSO）优化的浅层学习网络—误差反向传播（ErrorBackPro

5、pagation，BP）网络和最小二乘支持向量回归机（LeastSquaresSupportVectorMachine，LS-SVR）；接着讨论了目前流行的可直接处理原始数据的深度学习的典型模型—深度信念网络（DeepBeliefNetworks，DBN），并针对原始DBN预测方法中存在的缺陷进行了参数与结构两方面的改进，最后将上述理论模型应用于滚动轴承RUL的预测实验中；通过实验验证所提改进方法的有效性与优越性。本文的主要研究内容如下：1.讨论了滚动轴承RUL预测通用的三个步骤—信号处理、特征提取和RUL预测

6、，首先使用ASTFA方法对滚动轴承实验振动信号进行了预处理，然后基于ASTFA方法进行了特征提取、选择与趋势分析，最后使用改进的浅层神经网络PSO-BP与PSO-LS-SVR进行了滚动轴承RUL预测。2.采用可直接处理原始数据并深度挖掘数据内部信息的人工智能方法—深度学习（DeepLearning，DL），进行滚动轴承趋势分析并进行RUL预测。首先研究了DL基本思想以及典型的DL模型；然后讨论了典型的双向深度网络模型—DBN模型，研究了其自下而上的逐层无监督贪婪算法，自上而下的有监督微调学习算法以及其中关键参数

7、的确定方法；最后通过滚动轴承RUL预测实验，证明所使用方法的有效性与优越性。3.针对原始DBN预测模型中存在的明显缺点，对其参数进行了改进，提出了全参数动态学习深度信念网络预测模型（GlobalParametersDynamicLearningDeepBeliefNetworks，GPDLDBN）。首先详细研究了该模型的全参数动态学习策略，该方法相对于原始DBN预测模型中的固定学习率，具有更高的准确性与更快的收敛性；然后将所提出的GPDLDBN预测方法应用到滚动轴承RUL的预测实II工程硕士学位论文验中，通过具

8、体的实验数据来证明GPDLDBN预测模型的有效性；最后通过对比实验验证了GPDLDBN预测模型的优越性。4.在经过参数优化的GPDLDBN预测模型的基础上，继续采用萤火虫算法（FireflyAlgorithm，FA）进行网络结构的改进，提出了基于萤火虫算法优化的全参数动态学习深度信念网络预测模型（FireflyAlgorithm-GlobalParametersDynamicLearn