資源描述：
《基于深度信念網(wǎng)絡(luò)的變速器故障分類識別研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士學(xué)位論文基于深度信念網(wǎng)絡(luò)的變速器故障分類識別研究作者姓名單外平學(xué)科專業(yè)車輛工程指導(dǎo)教師李巍華教授所在學(xué)院機(jī)械與汽車工程學(xué)院論文提交日期2015年4月ClassificationandRecognitionofTransmissionFaultBasedonDeepBeliefNetworkADissertationSubmittedfortheDegreeofMasterCandidate：ShanWaipingSupervisor：Prof.LiWeihuaSouthChinaUniversityof
2、TechnologyGuangzhou,China分類號：TP206+.3,TH165+.3學(xué)校代號：10561學(xué)號：201220101373華南理工大學(xué)碩士學(xué)位論文基于深度信念網(wǎng)絡(luò)的變速器故障分類識別研究作者姓名：單外平指導(dǎo)教師姓名、職稱：李巍華教授申請學(xué)位級別：工學(xué)碩士學(xué)科專業(yè)名稱：車輛工程研究方向：車輛振動噪聲測控技術(shù)及故障診斷論文提交日期：2015年4月20日論文答辯日期：2015年5月29日學(xué)位授予單位：華南理工大學(xué)學(xué)位授予日期：年月日答辯委員會成員：主席：熊銳教授委員：丁康教授李巍華教授楊志堅(jiān)副
3、教授林慧斌副教授摘要變速器的故障分類識別實(shí)質(zhì)上是機(jī)器學(xué)習(xí)的識別過程。通常情況下，從未知的原始故障狀態(tài)到學(xué)習(xí)后可分類識別的狀態(tài)，均需要經(jīng)過故障特征提取、故障特征選擇與優(yōu)化、分類器設(shè)計(jì)和分類識別結(jié)果評價(jià)等幾個(gè)過程。但故障特征與故障本身屬性緊密相關(guān)，提取合適的特征往往相對復(fù)雜、艱難，且由于人工參與因素，大大增加了特征提取與優(yōu)化的不確定性，也增加了變速器故障分類識別的難度，削弱了機(jī)器學(xué)習(xí)的智能性。本文引入深度學(xué)習(xí)概念，并以深度信念網(wǎng)絡(luò)為代表應(yīng)用于機(jī)械故障分類識別中。以常用的振動信號統(tǒng)計(jì)特征為網(wǎng)絡(luò)輸入，對軸承類型故障
4、及不同程度故障同時(shí)識別，較高的分類正確率證明深度信念網(wǎng)絡(luò)在機(jī)械故障智能識別方面具有很強(qiáng)的可行性。深度信念網(wǎng)絡(luò)是一種通過組合低層特征形成更高層抽象表示，并發(fā)現(xiàn)數(shù)據(jù)分布式特征表示的學(xué)習(xí)網(wǎng)絡(luò)。在深度信念網(wǎng)絡(luò)基礎(chǔ)上，構(gòu)建深度信念重構(gòu)網(wǎng)絡(luò)，通過重構(gòu)仿真信號分析可知，重構(gòu)信號與原始信號存在較小差異，說明能從深度信念網(wǎng)絡(luò)的高層低失真度地恢復(fù)原始數(shù)據(jù)，即高層在一定程度上能表征低層數(shù)據(jù)特征，網(wǎng)絡(luò)具有保持原始數(shù)據(jù)信息能力。鑒于深度信念網(wǎng)絡(luò)的特點(diǎn)，本文提出直接從原始數(shù)據(jù)出發(fā)對故障狀態(tài)進(jìn)行分類識別的新方法。該方法避免了人工特征提取
5、與優(yōu)化過程，減少了人工參與因素，增強(qiáng)了機(jī)械故障診斷的智能性。在以原始數(shù)據(jù)作為網(wǎng)絡(luò)輸入時(shí)，數(shù)據(jù)量相對較大，對計(jì)算要求也相應(yīng)提高。引入時(shí)間復(fù)雜度的概念，計(jì)算算法的時(shí)間復(fù)雜度和偏導(dǎo)數(shù)，優(yōu)先調(diào)節(jié)時(shí)間復(fù)雜度偏導(dǎo)數(shù)較大的參數(shù)，可有效的控制計(jì)算成本。通過軸承故障和變速器復(fù)雜故障的分類識別實(shí)驗(yàn)可驗(yàn)證：深度信念網(wǎng)絡(luò)可以直接從原始數(shù)據(jù)對故障進(jìn)行較準(zhǔn)確的分類識別，增強(qiáng)了故障分類識別的智能性。關(guān)鍵詞：故障分類識別；深度學(xué)習(xí)；深度信念網(wǎng)絡(luò)；受限玻爾茲曼機(jī)；特征提取IAbstractEssentially,theclassificat
6、ionandrecognitionoftransmissionfaultisaprocessofrecognizingthefaultstatesthroughmachinelearningapproach.Generally,thereareseveralcrucialstepsfromtheunknownoriginalfaultstatestolearnedidentifiablefaultstates,suchasfaultfeatureextraction,faultfeatureselectio
7、nandoptimization,classifierdesignandresultevaluation.However,thecharacteristicsofmechanicalfaultarecloselyassociatedwiththepropertiesoffaultbyitself.Itisrelativelycumbersome,burdensomeandlaborelapsingtoacquiretheappropriatefeatures.Furthermore,itgreatlyinc
8、reasesdifficultyanduncertaintyoffeatureextractionandoptimizationduetohumaninvolvement,andincreasesthedifficultyofthetransmissionmechanicalfaultrecognition,whichweakenstheintelligenceofmachinelearning.Inthispa
