基于深度学习的故障诊断方法研究.pdfVIP

摘要

故障诊断是保证工业系统安全稳定运行的重要技术。在工业大数据的背景下，

基于数据驱动的故障诊断方法逐渐成为一个热门的研究方向。深度学习作为一种

典型的数据驱动方法，它的出现在一定程度上解决了传统方法难以挖掘有效故障

特征、泛化能力弱、对精确模型依赖度高等问题。本文开展了基于深度神经网络

的故障诊断方法的研究，主要工作如下：

（1）完备样本下基于短时傅里叶变换(STFT)和卷积神经网络(CNN)的故障

诊断方法。在故障诊断问题中，多数情况下采集的故障信号包含各种噪声。因此，

提取特征时容易出现丢失有用信息的情况。为解决这一问题，提出一种结合STFT

进行信号降噪处理的CNN算法，并应用于完备样本下的故障诊断。首先，将故

障信号通过STFT进行预处理以获得信号的时频信息表示；其次，利用CNN模

型对输入的2维图像进行特征学习与故障分类，以实现工业设备故障诊断；最

后，在轴承故障数据集上验证了该方法的性能。

（2）非完备样本下基于支持向量机(SVM)和CNN的故障诊断方法。在实际

工况中，带标签样本稀少而无标签样本数量较多的情形不能满足CNN模型的训

练需求。为了解决这一问题，提出一种基于SVM与CNN的知识迁移故障诊断

方法。首先，计算时频域中的特征以形成特征候选池；其次，基于稀少带标签样

本训练多个SVM模型，并根据SVM模型性能指标，选择最优的SVM模型对无

标签样本进行标签预测；然后，将预测标签样本与少量带标签样本组合形成增强

训练集(ATS)，基于该训练集训练CNN模型，实现从SVM到CNN模型的知识

迁移；最后，在两种典型故障数据集上验证了该方法的有效性。

（3）基于CNN与证据推理(ER)规则的故障诊断方法。通常单一CNN模型

的输入数据都是单一尺度，识别范围有限，而且基于不同尺度数据构建的CNN

模型在一定程度上可能产生冲突性故障分类结果。为了解决这一问题，引入一种

基于CNN和ER规则的决策层融合模型。首先，对原始数据进行切分和时频域

转换等操作，以构建不同尺度数据集；其次，基于不同尺度数据集训练特定CNN

模型；然后，通过ER规则对不同诊断模型的分类结果进行融合，以提升诊断精

度，减少诊断决策的冲突性；最后，在轴承故障数据集上对该方法进行了验证。

关键词：故障诊断，卷积神经网络，短时傅里叶变换，支持向量机，证据推

理规则

ABSTRACT

Faultdiagnosisisanimportanttechnicalmeanstoensurethesafeandstable

operationofindustrialsystems.Undertheindustrialbackgroundofbigdata,data-

drivenfaultdiagnosismethodshavegraduallybecomeahotresearchdirection.Asa

typicaldata-drivenmethod,deeplearningsolvestheproblemsthattraditionalmethods

aredifficulttomineeffectivefaultfeatures,weakgeneralizationabilityandhigh

dependenceonaccuratemodels.Thispaperstudiesthefaultdiagnosismethodbased

ondeepneuralnetwork.Themainworkisasfollows:

(1)AfaultdiagnosismethodbasedonShort-timeFourierTransform(STFT)and

ConvolutionalNeuralNetwork(CNN)undercompletesamples.Infaultdiagnosis

research,thefaultsignalcollectedinmostcasesconta