基于特征挖掘与卷积神经网络的故障诊断方法研究
为了深入挖掘原始故障信号中的隐藏特征信息，探究不同维度样本的构造及与之相匹配的深度学习模型的改进策略，开展了基于特征挖掘与卷积神经网络的智能化故障诊断方法研究。论文提出了基于信号下采样的样本构造方法，同时对传统一维卷积神经网络进行了改进;研究了基于小波包分解的样本构造方法，并设计了与样本匹配的二维卷积神经网络结构;通过对经典网络模型进行轻量化改进，在完成故障模式识别任务的同时减少了运算资源的占用。论文主要内容如下: (1)提出了基于信号下采样及一维卷积神经网络的智能诊断方法。针对包含了噪声成分的故障信号，首先采用快速主成分分析提取原始信号特征向量信息，标准化处理后通过随机抽样方法构造一维样本序列，此方法在实现信号下采样的同时保留了主要特征信息。设计了与一维样本相匹配的改进一维卷积神经网络结构，网络前端的首个卷积层与批量标准化层实现了初始样本中特征成分的提取与数据分布整理;包含随机参数的RReLU激活函数取代了传统的ReLU激活函数，实现节点之间非线性变换的同时保持了迭代过程中数据的完整性;网络末端的全局平均池化与Softmax分类器实现了全局特征到各个类别的映射。采用不同类型数据集进行实验验证，最终实验结果证实了所提方法的准确性与稳定性。 (2)研究了基于小波包分解样本构造方法及改进的二维卷积神经网络的智能诊断方法。采用了小波包分解方法对样本不同频率特征成分进行挖掘，抓取能量占比最高频带所对应小波包系数，将其转换为灰度样本图。为了学习可能存在的多个频带中所含特征信息，设计了特征融合模块，可以实现指定数目频带信息融合且完成对原始特征样本的整形。采用了包含点卷积与通道卷积的深度可分离卷积模块取代了传统的卷积与池化层，在保证识别准确率的同时节约了计算资源。学习率自适应调整算法提高了网络学习效率，保持了迭代过程的稳定。通过与对比方法在包含不同故障类型数据集上的表现，体现出所提方法在应对各类复杂故障时的优越性。 (3)构建了基于轻量化Ghost-Net的智能诊断模型。针对频域分析方法在特征信息挖掘时的盲区，首先提取目标故障信号相位谱与幅度谱，通过将原始信号与其幅值、相位信息拼接并转换为灰度样本图像。选取深度学习模型时充分考虑到故障诊断领域的实际需求，尽可能减小运算需求，运用了可自行生成冗余样本特征图的Ghost-Net模型，并对现有模型进行了轻量化改进:网络仅保留进行特征图尺寸变换的主要模块;改动的瓶颈模块在特征提取的同时起到降采样作用;压缩-激励模块更加注重挖掘通道重固有特征;Dropout策略避免了测试数据集上可能发生的过拟合现象。实验结果表明:基于轻量化神经网络的智能诊断模型在解决故障诊断问题时具备稳定、高效的表现。
故障智能诊断;卷积神经网络;特征挖掘;小波包分解;深度学习
北京化工大学
硕士
安全科学与工程
王华庆
2021
中文
TP277
2021-09-06（万方平台首次上网日期，不代表论文的发表时间）