关键词：旋转机械;;故障诊断;;深度信念网络;;Nesterov动量法;;独立自适应学习率
摘 要：有效的旋转机械故障诊断对于保证设备安全持续地运行有着至关重要的作用,而良好的故障特征表达对故障诊断的准确性起关键作用。目前基于信号处理和浅层学习模型的故障诊断方法大多数依靠人工提取特征,不仅需要相关的信号处理先验知识,而且需要复杂的提取过程来获得合适的特征,导致特征提取的不确定性,故障诊断结果不理想。本文引入深度学习的概念,利用深度学习模型可以模拟人脑的多层抽象学习机制,从故障信号中自动学习有用的故障特征的特性,以深度信念网络为代表应用于旋转机械关键部件(轴承、齿轮)故障诊断中,详细介绍了深度信念网络的相关理论,针对模型调参没有明确的理论指导,参数设置困难的问题,较为详细地探讨了模型初始参数设置对模型结果的影响,为模型调参提供了一定的参考。首先,针对随机梯度下降法中动量法引起的梯度盲目下降和训练时学习率难以选择的问题,将Nesterov动量法与独立自适应学习率相结合,提出了IADLR-NM(Individual Self-adaptive Learning Rate-Nesterov Momentum)优化算法。使用Nesterov动量法对参数下降的位置进行预测,从而对梯度下降进行正或负补偿,保证参数始终以合适的速度下降至最优点以避免错过最优点。在此基础上,使用与Nesterov动量法判断依据不同的独立自适应学习率在参数下降过程中自适应调节下降步长,在一定程度上避免了Nesterov动量法判断保守导致的模型训练变慢。之后,提出针对频域信号的旋转机械关键部件故障诊断模型NM-based ADDBN(Nesterov Momentum-based Self-adaptive Deep Belief Network),使用汽车变速箱齿轮故障数据集和列车轴承故障数据集对该模型进行实验验证,结果表明NM-based ADDBN模型与支持向量机、标准深度信念网络相比获得了更高的识别精度。此外,使用Adam,Adadelta,Momentum,NM和IADLR五种优化方法分别对深度信念网络进行优化,将结果与IADLR-NM优化后的模型结果进行比较,从RBM预训练误差下降结果和微调阶段的识别精度可以看出,相比于上述五种优化算法,IADLR-NM在避免模型发生过拟合的基础上,能够稳定有效地加快模型训练速度,提高模型泛化能力。进一步,针对深度信念网络在多故障诊断方面的缺失,基于NM-based ADDBN建立层次故障诊断模型和单层故障诊断模型,实现从频域信号中自动提取深层特征,进而对轴承故障类型和尺寸进行分类识别,从模型识别精度和计算成本角度比较了两种模型的优劣性,为多故障诊断模型的选择提供一定的参考。最后,对所做工作进行了总结并对后续研究提出了几点展望。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取