深度学习的亚健康识别算法的研究.docx
《深度学习的亚健康识别算法的研究.docx》由会员分享，可在线阅读，更多相关《深度学习的亚健康识别算法的研究.docx（76页珍藏版）》请在冰点文库上搜索。
硕士学位论文
中文题目：
深度学习的亚健康识别算法的研究
ResearchonDeepLearningIdentification
英文题目：
AlgorithmofSubhealth
论文作者：
指导教师：
专 业：
软件工程 完成时间：
申请辽宁大学硕士学位论文
深度学习的亚健康识别算法的研究
ResearchonDeepLearningIdentificationAlgorithmofSubhealth
作 者：
指导教师：
专 业：
软件工程
答辩日期：
摘要
摘 要
在工业生产过程中，由于复杂的工作环境和生产流程，故障时有发生，而故障状态的发生并不是瞬时完成的，从正常状态到故障状态的转化是一个积累的过程，而如果能提前预测故障的发生并进行及时的调控，对于工业生产的顺利进行和经济效益的最大化尤为重要，因此研究故障的发生和预测成为故障诊断领域的重点，并引起了很多专家学者的关注。
在阅读分析了大量的深度学习和故障诊断方法后，针对传统的故障诊断特征提取困难，诊断效果不理想，本文提出了一种基于改进深度学习的故障诊断方法。
本文采用层叠降噪自动编码机作为深度学习的网络结构，通过降噪编码机可以对机械振动信号中大量的噪声进行过滤，有助于噪声特征的提取。
而深度学习中的非监督预训练方法可以自动的提取出数据中的深层特征，简化传统人工提取的过程。
针对深度学习过程中由于层数加深导致梯度消失的问题，本文对层叠降噪自动编码机的结构进行改进，将浅层节点的表达和深层节点的表达进行融合，避免了深层网络表达能力不如浅层网络的缺点，最后使用支持向量机对提取出的深度特征进行分类处理。
针对机械设备从“正常”状态到“故障”状态分类的局限性，本文通过引入可靠性理论中的威布尔分布对滚动轴承的“亚健康”状态进行划分。
由于同一种轴承在同样工况下寿命分布不均匀，所以不仅需要对轴承进行整体预测，也需要对轴承在线状态进行检测，本文利用深度学习的方法提出了一种轴承不同时期状态划分的方法，对时间序列进行处理，将其应用于滚动轴承寿命预测。
针对不同的滚动轴承运行状态本文提出了一种基于统计概率时间序列处理方法，通过对滚动承状态时间序列的预测可以有效的对当前轴承进行使用寿命的预测。
通过实验台数据对本文的方法进行验证，从实验对比结果表明，改进的层叠降噪自动编码器对滚动轴承故障诊断具有良好的表现，对不同滚动轴承不同工况下的“亚健康”状态诊断也取得了很好的效果。
关键词：
深度学习，层叠降噪自动编码，健康度，“亚健康
I
Abstract
Abstract
Intheindustrialproductionprocess,afaultwilloccurrduetothecomplexityoftheworkenvironmentandproductionprocess,butthefaultnotoccurinstantaneously,fromanormaltoafaultconditionisacumulativeprocess,itisimportanttotheindustrialproductionandthesmoothprogressofeconomicandbenefitmaximizationifwecanpredictthefaultinadvanceandintimelyregulation.Therefore,theresearchoffaultoccurrenceandpredictionbecomesafocusinthefieldoffaultdiagnosis,andcausedtheattentionofmanyexpertsandscholars.
Afterreadingalargenumberofdeeplearningandmethodsoffaultdiagnosis,thetraditionalfaultdiagnosisfeatureextractiondifficultdiagnosisresultisnotsatisfactory,soweproposeamethodoffaultdiagnosisbasedonimproveddeeplearning.Inthispaper,thestackeddenoisingautoencoderwhichcanbefilteredthenoiseofalargenumberofmechanicalvibrationsignalsisusedfordeeplearningstructuretoextractthecharacteristicsofthenoise.Thedepthofthedatacanbeextractedautomaticallybytheunsupervisedpre-trainmethod,whichgreatlysimplifiestheprocessoftraditionalmanualextraction.Inthispaper,amethodisproposedtoimprovethestackeddenoisingautoencodertogetrideofthethegradientgoawaywithdeeperlayers.Toavoidthedeepnetworkexpressionabilitythanshallownetworkfaults,combinetheshallowanddeepnodesisproposedandfinallytheuseofsupportvectormachinetoextractthedepthfeatureforclassification.
Inthispaper,formachineryandequipmentfromthe"normal"statetothe"failure"stateclassificationlimitations,introducethereliabilitytheoryofWeibullDistributiontodivisionofthesubhealthstateofrollingbearing.Duetothesamebearingunderthesameoperatinglifetimedistributionisnotuniform,soit’snotonlyneedtotheoverallpredictionofbearing,butalsoneedtotesttheonlinestatusofbearing,thedeeplearningofthemethodisproposedtodivisonabearingdifferentperiodstatedivisionmethod,aftersmoothingoftimeseries,itisusedinrollingbearinglifeprediction.Inviewofthedifferentrunningstateofrollingbearings,this
II
paperputforwardabasedonstatisticalprobabilityonlinepredictionmethod,therollingbearingconditiontimeseriespredictioncanbeeffectivetothebearingoftheservicelifeprediction.
Throughtheexperimentaldataofthismethodverifyfromthecomparisonoftheexperimentalresultsshowthat,improvedstackeddenoisingautoencoderforrollingbearingfaultdiagnosishasgoodperformanceanddifferentrollingbearingsunderdifferentworkingconditionsofthesubhealthstatediagnosisalsoachievedgoodresults.
Keywords:
DeepLearning,ImprovedStackDenoisingAutoencoder,HealthDegree,Subhealth
VI
目录
目 录
第1章绪论 1
1.1研究背景和研究意义 1
1.2国内外研究现状 3
1.2.1滚动轴承故障诊断的研究现状 3
1.2.2“亚健康”理论的研究现状及发展 5
1.3论文的主要研究工作 6
1.4论文的结构安排 7
第2章机器学习基础理论 8
2.1BP神经网络 8
2.1.1BP神经网络结构 8
2.1.2BP神经网络的学习步骤 9
2.1.3BP神经网络的优缺点 11
2.2深度学习 11
2.2.1深度学习的基本思想 12
2.2.2深度学习常用方法 14
2.2.3深度学习优点 15
2.3支持向量机 16
2.3.1最优分类面 17
2.3.2广义最优分类面 18
2.3.3支持向量回归机 19
2.3.4核函数 21
2.3.5支持向量机优点 22
2.4本章小结 22
第3章基于深度学习的故障诊断的研究 23
3.1自动编码器原理 23
3.1.1目标函数及推导 24
3.1.2运行步骤 26
3.2层叠降噪自动编码 26
3.3改进层叠降噪自动编码器 28
3.3.1对隐藏层的改进 28
3.3.2对结构的改进 29
3.3.3改进SDA-SVM训练流程 29
3.4实验结果及分析 32
3.4.1轴承数据预处理 33
3.4.2参数确定 35
3.4.3隐层特征的提取 36
3.4.4实验结果分析 40
3.5本章小结 40
第4章滚动轴承的“亚健康”识别 42
4.1“亚健康”状态 42
4.1.1健康度的定义 42
4.1.2亚健康状态的划分 43
4.2“亚健康”识别方法的提出 46
4.2.1已有剩余寿命预测方法 46
4.2.2提出“亚健康”识别方法 48
4.2.3预测剩余寿命改进策略 49
4.3本章小结 50
第5章实验及性能评估 51
5.1“亚健康”状态诊断 51
5.1.1滚动轴承特征对比 51
5.1.2剩余寿命预测 53
5.1.3实验结果分析 56
5.2本章小结 57
第6章总结和展望 58
6.1总结 58
6.2展望 58
致 谢 60
参考文献 61
攻读学位期间发表的学术论文及参加科研情况 64
图表目录
图表目录
图目录
图1-1“健康”到“故障”的状态转移示意图 2
图2-1BP神经网络结构模型图 9
图2-2深度学习基本结构 13
图2-3最优分类线示意图 16
图3-1自动编码器 23
图3-2降噪自动编码器 27
图3-3层叠降噪自动编码器结构图 28
图3-4增加融合层的层叠降噪自动编码器 28
图3-5SDA-SVM降噪自动编码器 29
图3-6改进算法流程图 31
图3-7四种状态下驱动端振动信号 33
图3-8傅里叶变换后的四种驱动端振动信号 34
图3-9隐藏层数对比 35
图3-10隐藏层节点数对比 36
图3-11PCA进行可视化 39
图3-12算法对比图 40
图4-1形状参数对故障率的影响 45
图4-2轴承健康度划分 46
图4-3“亚健康”诊断方法 49
图4-4健康度概率分布 50
图5-1滚动轴承全寿命轴承振动信号（外圈故障） 51
图5-2滚动轴承全寿命均方根 52
图5-3滚动轴承全寿命峰度 52
图5-4隐藏层第一主成分特征 53
图5-5全寿命健康度分布图 54
图5-6窗口值对选取 55
图5-7剩余寿命预测 56
表目录
表3-1滚动轴承数据 32
表3-2预训练阶段故障分类准确率 37
表3-3微调过后故障分类准确率 37
表3-4经过融合后故障分类准确率 38
表4-1健康度和使用寿命对应关系 43
表4-2威布尔分布函数 44
表4-3威布尔故障函数参数选取 45
表5-1故障轴承实验数据 51
表5-2全寿命健康度分类准确率 54
表5-3平均剩余寿命预测与窗口值关系 55
表5-4“亚健康”预测结果对比 57
第1章绪论
第1章绪论
1.1研究背景和研究意义
在一百多年来的工业发展过程中，随着工业自动化程度的普及，越来越多的工业化过程投入到了精细的自动化控制之中，整个系统的精确性和复杂性也因此倍增，而且工业生产环境大多处在相对恶劣的环境，不同的环境外部干扰，加上庞杂和繁复的控制系统难免会有故障的发生，这些故障的发生不仅会影响工业生产的进行，而且严重时威胁人和财产的安全。
传统故障处理的方法是引进设备检测诊断技术，当故障出现时检测和诊断故障，并停止机器的运作，大大提高了工业生产中的安全，并取得了良好的效果。
但是当故障发生时难免会出现停机检测维修，会影响生产的进行，对于一些大型工业生产来说停机便意味着大量的经济损失，而且停机检测不一定能够准确的排出所有机器异常。
因此，如果能在生产中既保证生产的顺利进行，又能排除故障，这对于工业生产具有长远的意义，在这种背景下自愈调控技术应运而生，自愈调控技术不同于传统设备诊断和维修技术，它使机器具有自感知、自诊断、自恢复的功能，从而完全摆脱人的参与。
实际上故障并不是瞬间发生的，而是经过长期积累发生质变的一个过程，这个过程因为介于“健康”状态和“故障”状态，所以被称为“亚健康”状态，如果在整个故障发生的萌芽阶段抑制“亚健康”状态的产生，或者当机器处在
“亚健康”状态之时及时的对机器进行调控，避免机器向“故障”状态的转移，那么便可以极大的增加机器的使用寿命，同时避免故障的发生，这也是自愈控制研究的主要课题之一。
对于机械设备的状态转化关系如图1-1所示：
:
64
图1-1“健康”到“故障”的状态转移示意图
针对机械设备的故障一般可以从三个方面入手来进行自愈调控：
1）防止设备从“健康”状态逐渐到“亚健康”状态的过度。
2）从“亚健康”状态逐渐恢复到正常状态。
3）从“故障”状态逐渐恢复到正常状态。
自愈调控算法依赖于诊断技术的发展，在自愈调控技术里，故障诊断技术可以使机械设备从“故障”状态转移到健康状态，而“亚健康”诊断技术可以使机械设备从“亚健康”状态转为健康状态，所以作为自愈调控里极为重要的故障诊断技术决定着自愈调控算法的优劣，而“亚健康”状态的诊断也成为自愈调控算法的关键技术。
在工业生产中广泛的使用了旋转机械元件，滚动轴承作为旋转机械元件的核心部件，也是机械设备中常用的元件之一，其运行状态对整个机械设备有着巨大的影响[1]。
而且滚动轴承的故障在旋转机械设备故障中经常发生，据统计
45%的旋转机械故障是由于滚动轴承故障所引起[2]。
其原因是因为在机械设备中往往受到工作条件恶劣的影响，而且在机械设备中往往要承担高负荷工作，所以针对滚动轴承进行故障诊断一直以来是故障诊断中的研究热点。
对于滚动轴承来说，其工作寿命随机性很大，很多滚动轴承远远未达到设计寿命变发生损坏、故障，必然影响正常的工业生产；而有一些则远远超出预
设寿命而继续工作，这一不确定性将会给工业生产带来严重的生产隐患，如果能及时的诊断故障的发生或者检测出滚动轴承的“亚健康”状态，预防故障的发生、及时组织故障带来的事故影响对于工业生产来说意义重大。
1.2国内外研究现状
1.2.1滚动轴承故障诊断的研究现状
对于滚动轴承的故障诊断研究已经有很长的一段历史，许多国内外学者长期专注于滚动轴承故障诊断的研究并取得了丰厚的研究成果。
在20世纪60年代左右国外开始了滚动轴承故障诊断的研究，在后来几十年里，大量的成熟方法理论被提出应用于滚动轴承的故障诊断，其诊断的准确率也不断提高。
对于滚动轴承的故障诊断，其发展总共经历了以下几个阶段[3,4]。
（1）频谱分析技术
在20世纪60年代初期，出现了快速傅里叶变换（FastFourierTransform，FFT）技术，研究学者将其应用到滚动轴承振动频谱分析之中，通过故障轴承产生的振动信号的特征频率和正常轴承来进行分析对比，来判断是否发生故障。
（2）冲击脉冲技术
20世纪60年代末，瑞典的SPM公司使用冲击脉冲计来进行轴承故障检测，通过检测的脉冲最大幅值可以对轴承的初期损伤故障进行很好的诊断。
（3）共振解调技术
共振解调技术的出现极大的提高了轴承初期损伤故障诊断的正确率，而且对于故障出现的地点和故障程度都能准确的进行判断。
（4）使用计算机来监控轴承运行状态和故障诊断。
随着计算机硬件和软件的高速发展，在20世纪末人们开始以计算机为中心来进行滚动轴承的故障诊断，有效的利用了计算机的计算能力，在轴承故障检测中有很大的提高。
目前，研究轴承故障的基本理论已经相对成熟，其研究方向为以下几个方面：
（1）信号处理
信号处理是滚动轴承故障诊断中使用最多的方法，其准确性也比较高。
在设备运行过程中震动、压力、温度、噪声等不同的信号会包含设备的隐藏特征，利用信号处理技术，将信号中有用的特征进行选取，可以很好的利用到故障诊断中来。
信号处理分为时域分析和频域分析，其中时域分析主要分析时域波形的峰度、偏度、峭度、脉冲因数等，频域分析包括小波变换、傅里叶变换和希尔伯特变换等方法。
2008年Al-RaheemKF利用神经网络对轴承振动信号用小波变换提取出的特征值进行分类，取得了较好的效果[5]。
2011年学者蔡艳萍针对滚动轴承内圈故障，结合谱峭度和经验模式分解的方法对包络谱进行改进[6]。
2013年学者马伦通过Morlet小波变换对信号进行降噪处理，利用尺度相关能量分布来提取冲击特征的成分，从而对轴承故障初期的信号进行提取，为轴承故障诊断提供一种有效的途径[7]。
（2）粗糙集诊断
粗糙集（Roughset，RS）是针对很多领域中不确定和模糊类问题而提出的一种数学方法，由波兰学者Pawlak在1982年首先提出[8]。
粗糙集理论的思想是通过原始数据提炼出数据内部潜在的规律，由于不需要先验知识和理论推导，所以其对不确定性问题的处理比较客观。
通过对不完整数据之间关系的解释，可以发现对象和属性之间的依赖关系，去除数据之中的冗余[9]。
2010年中国矿业大学学者闵勇将粗糙集理论应用到滚动轴承的故障诊断之中，利用粗糙集中可辨识矩阵来将滚动轴承的故障信号进行属性约减，从而方便了诊断信号的处理[10]。
2012年学者陈佳运用粗糙集理论对敏感特征进行预处理，通过神经网络进行滚动轴承的故障诊断[11]。
（3）机器学习
机器学习作为近年来新兴的一门学科，包含了概率论、统计学等多门学科，可以通过大量的数据对数据的规律进行自动的建模。
同样机器学习也是故障诊断领域里新兴的方法，在不建立数学模型的情况下可以利用历史数据训练来对滚动轴承设备进行故障诊断。
机器学习方法主要包括人工神经网络、支持向量机和深度学习等理论。
2008年大连理工学者于婷婷利用BP神经网络的强非线性能力来处理滚动轴承的振动信号，得出了很好的诊断效果[12]。
2014年华中农业大学学者姜涛改进了小波包快速算法解决了小波分析中容易产生频率混淆的问题，使噪声信号和振动的故障信号进行分离，通过权值和学习率来改进小波神经网络，使其收敛速度和准确率有所提升[13]。
2015年JaouherBenAli提出了
一种结合Weibull分布和神经网络的方法来诊断滚动轴承，结合SFAM网络对滚动轴承进行寿命预测，定义了6种滚动轴承的退化状态并且该方法推广到其他机械设备[14]。
1.2.2“亚健康”理论的研究现状及发展
故障诊断技术受到越来越多的学者关注和研究，在当前取得了一定的发展，但依然存在了一些问题，首先，故障诊断技术主要研究各种设备对象、故障机理、故障检测等，只是着眼于故障本身，并没有对故障可能带来的后果及时处理，对故障发生的预防也没有讨论。
其次，容错控制领域大多是针对控制器、传感器或者执行器进行研究，对于被控对象故障的研究比较少，而大多数故障的发生都发生在被控对象上。
因此，这些故障诊断领域里并没有完善的问题亟需一种新的理论进行扩展。
“亚健康”的概念起源于现代医学领域，在医学中“亚健康”被定义为身体处于介于健康状态和疾病状态之间的状态。
这一概念被现代自愈调控技术所引用，被应用于机械设备的诊断中，通过大量的工程实践，发现装备系统中存在可以“自愈”的状态，当设备处于这种“自愈”状态可以通过调控、维修等方法改变设备向故障状态的趋势，并可以返回健康状态，对于这种可恢复的故障状态的预防和恢复对装备系统工作寿命的延长具有巨大的影响。
在国际上外学术界早已认识到故障预防对装备正常运行的重要影响[9,10]，提出了复杂装备系统的健康评估理论。
美国政府和高校已经对“亚健康”状态开始了广泛的研究，2001年，美国康奈星大学和密西根大学共同成立了“智能维护系统（IMS）中心”，通过对电子商务工具和Web驱动的智能代理进行整合，从而获得高质量解决方案。
2010年巴西学者LaurentysCA根据自然免疫细胞的抗体机制，提出了基于危险模型的人工免疫系统，从而成功的提高了故障检测的准确率[15]。
2013年，意大利学者在电动汽车的感应电机中引入了容错控制的概念，并取得了不错的效果[16]。
2005年，北京化工大学工程院院士高金吉率先提出了“
升级会员 