基于深度学习参数优化的轴承故障诊断方法研究

作     者：赵方园 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：王申全

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度信念网络 混沌麻雀搜索算法 伪标签 参数优化 故障诊断 

摘      要：轴承故障诊断是现代工业维护与监控的重要内容,直接关系到机械系统的整体可靠性与安全性。面对工业环境的复杂多变,传统依赖经验和简单物理模型的诊断方法显现出其局限性。基于深度学习技术的轴承故障诊断方法因能够处理大量数据并自动提取关键特征,显示出强大的应用潜力和优势,极大地提升了故障诊断的准确性和效率。 深度学习故障诊断方法的成功在很大程度上取决于对模型超参数的精确调优。本文深入探讨了在不同轴承故障场景下,深度学习参数优化技术在轴承故障诊断应用中的重要性和实用性。通过将输入信号更新和神经网络相结合,提出了一种基于深度学习参数优化的轴承故障诊断模型。再者,文章还详细讨论了智能优化算法在深度学习模型的超参数和阈值参数调整中的应用,该算法旨在提升模型在不同工况下的泛化能力和鲁棒性,提高故障诊断的准确率。研究内容概述如下: 首先,考虑超参数对深度神经网络故障诊断准确性的影响,提出混沌麻雀搜索算法(Chaotic Sparrow Search Algorithm,CSSOA)来优化深度信念网络(Deep Belief Networks,DBN)超参数的策略,优化的超参数对象包括学习率(α)、批量大小(β)以及隐藏层神经元的数量(n),以此来增强深度神经网络的故障诊断性能。此外,采用小波包分解(Wavelet Packet Decomposition,WPD)技术对振动信号进行去噪处理和能量特征提取,以减少信息冗余。最后在公开的CWRU轴承实验数据集上验证了基于超参数优化的深度神经网络在轴承故障诊断方面的优势。 其次,面对变工况条件下振动信号数据伪标签不准确的问题,采用领域自适应(D omain Adaptive,DA)和半监督域适应(Semi-Supervised Domain Adaptation,SSDA)策略,对有标记源域与无标记目标域数据进行划分。通过递归神经网络(Recurrent N eural Network,RNN)生成目标域的预测伪标签,并运用CSSOA优化伪标签的置信度(θ)和熵阈值(η)进行精准筛选,以此提升伪标签的准确性。通过源域与目标域特征的有效提取与融合,为DBN提供精确输入。最后在实际轴承PT700平台上,验证了所设计的故障诊断模型不仅具备高准确率,还展现了卓越的泛化能力与鲁棒性。 最后,总结了本文主要工作并展望了深度神经网络在轴承故障诊断领域当前面临的挑战及未来发展方向,为后续研究提供了指导和启示。