栈式流形自编码器在风机齿轮箱故障诊断的应用.pdfVIP

目 录 栈式流形自编码器在风机齿轮箱故障诊断的应用I 摘 要I ABSTRACT III 第1 章 绪论 1 1.1 研究背景及意义 1 1.2 基于数据驱动的故障诊断技术国内外研究现状 4 1.2.1 信号采集 4 1.2.1 信号预处理和特征提取 5 1.2.3 深度学习在故障诊断的应用研究 6 1.3 研究内容和创新点 8 1.3.1 研究内容 8 1.3.2 创新点 9 1.4 本章小结 10 第2 章 基于流形学习的数据表示 11 2.1 常用的流形学习模型 11 2.1.1 t-分布随机邻域嵌入（tSNE ） 11 2.1.2 等距特征映射（Isomap ） 13 2.1.3 局部线性嵌入（LLE ） 14 2.1.4 局部保留投影（LPP ） 15 2.2 实验结果与分析 16 2.2.1 流形数据可视化 16 2.2.2 旋转设备标杆数据可视化 19 2.3 本章小结 21 第3 章 SMAE 深度网络的构建和预训练 23 3.1 自编码器在故障诊断的应用研究 23 3.2 SMAE 深度网络的基本理论介绍 24 3.2.1 AE 的基本理论 24 3.2.2 栈式流形自编码器（SMAE）26 3.2.3 SMAE 实现过程28 3.3 基于SMAE 深度网络的故障诊断模型预训练28 3.3.1 实验平台介绍与数据采集29 3.3.3 SMAE 的深度网络预训练32 3.4 本章小结35 4.1 基于SMAE 的风机齿轮箱故障诊断方案36 4.2 参数分析37 4.2.1 学习速率37 4.2.2 迭代次数39 4.2.3 最优参数下的风机齿轮箱故障诊断39 4.2.4 输入数据对测试精度的影响40 4.3 对比实验41 4.3.1 对比模型介绍41 4.3.2 对比实验结果及分析46 4.4 本章小结48 第5 章 总结与展望49 5.1 研究总结49 5.2 研究展望50 参考文献51 致 谢56 在学期间发表论文及参加课题情况57 摘要 栈式流形自编码器在风机齿轮箱故障诊断的应用 摘 要 风力发电机是风电行业最重要的生产设备。“十二五” 以来，我国大力支持开发 大型风力发电设备，使得风力发电机 （以下简称“风机” ）得到了迅猛发展，但风机 发生故障的概率也随之增加。加强对风机运行状态的监测和故障诊断，对于提高 该设备的运行可靠性、减少风机停机造成的经济损失具有重要意义，也是工业工 程领域研究的热点问题之一。而一个准确、稳定的故障诊断模型能够为设备的健 康管理提供可靠的数据支持，帮助企业及时排除故障，延长设备的使用周期，降 低生产成本。因此，本文将风电行业作为研究背景，以风机的齿轮箱为研究对象， 来构建一个更加有效的风机齿轮箱故障诊断模型，帮助企业提高设备维护管理效 率和最大化企业的经济效益。 风机由风能驱动，而自然环境中的风向和风速是时刻变化的，风机齿轮箱的 运行状态随风速变化，采集到的振动信号容易受到风机运行条件和环境的干扰。 许多现有的关于风机故障诊断的文献中，同一种故障状态下的训练数据主要采集 自同种运行条件下的振动信号。针对这个问题，本文提出了一种新型的深度流形 学习网络，即栈