基于深度学习的智能故障诊断算法研究与应用(附件)【字数：8876】
摘 要随着近年来的科技发展的迅速，我们在各方面都得到了快速发展，而这其中人工智能的强大是必不可少的，也因此产生了很多故障方面的问题。由此延伸出故障诊断技术的兴起，这种技术是对于比较困难的系统或者设备的管理、监控和故障处理为主的提起预防和维护为目的，已经投入了生产实践的很多领域。由于神经网络分为浅层神经网络和深度神经网络，其中浅层神经网络依靠专家知识和信号处理技术对特征取值越来越困难，浅层机构也限制了网络学习复杂非线性关系的功能。结合深度学习在特征取值的正确性优势，研究在机械问题上的深度神经网络的故障诊断方法。这个方法可以直接从原始样本中提取需要的特征值，再通过BPNN的输入功能识别出其故障。通过对机械轴承的健康状态，内外圈和滚轴的故障状态进行实验分析，实验结果所显示的就是深度神经网络不但能够自动提取出有用的故障状态的特征，而且可以诊断出故破坏程度，与BPNN对比下来其诊断性能更加准确。
目 录
第一章 引 言 1
1.1故障诊断的产生和目的 1
1.2故障诊断系统框架 2
第二章 深度学习 3
2.1深度学习的定义 3
2.2深度学习的介绍 3
2.3深度学习、人工智能和机器学习的关系 3
第三章 基于BP神经网络的故障诊断算法 5
3.1 基于BP算法的神经网络模型 5
3.2 神经网络信息融合故障诊断步骤 6
3.3数据仿真 7
3.4 结果分析 9
3.4 采用BP网络的优缺点 10
第四章 深度神经网络 11
4.1 深度神经网络的介绍 11
4.2基于深度神经网络的智能诊断方法 12
4.3 基于栈式自动编码器的故障诊断 14
4.3.1数据的描述 14
4.3.2 确认数据 15
4.3.3深度神经网络与BP网络的准确率对比 17
4.3.4 结论 18
结束语 20
致 谢 21
参考文献 22
附录 24
第一章 引 言
随着社会发展的需求，我 *好棒文|www.hbsrm.com +Q: *351916072*
们要在将科技和生产力都进行提高，自动化、高速和智能都将变成这些东西的标签，设备生产效率和质量都会提高，但紧随其后的是复杂繁琐的设备结构和功能、失败的系统，所以成为设备管理和维护的核心内容近年来故障诊断，智能故障诊断技术也会跟着计算机网络技术的发展速度，智能技术，成为故障诊断的重要点，它可以提高系统的故障诊断和智能水平，具有以下特点:
(1) 能够解释推理详情和诊断成果；
(2) 能够知识共享、协同诊断、实时响应；
(3) 能有效利用诊断专家知识、经验，具有专家般的推理能力；
(4) 具有自学的能力，可以通过以前诊断实例获取新的知识。
故障诊断技术的研究可分为基于分析模型、信号处理和人工智能三种方法。目前，基于人工智能方法的智能诊断阶段已发展为故障诊断。人工智能是制造仿人类智能的机器。智能故障诊断方法包括故障树法、模糊理论方法、神经网络方法、群体智能方法、信息融合方法和网络方法。在研究中，要想独立对诊断任务是很不容易的事情。由此，故障诊断的发展方向是各种诊断方法的互补互利。
深度学习是如今社会发展所产生的，以其在图像、语音识别等领域那种自行提取能力取得了一定的辉煌成就。本文我们通过深度神经网络对故障检测的诊断来了解其的随机性并且降低其错误范围等方面
故障诊断也被称之为诊断，查找设备或者系统的故障的流程。其中用到的系统，也被我们叫做诊断系统。
1.1故障诊断的产生和目的
在生活中，我们各方面所使用的设备都需要一定的系统支持，而这些系统往往会出现很多的故障，故障诊断就是为这些系统运行中的状态和问题进行正确或者错误的分析，并且提供一定的数据依据。我们往往需要对这些问题进行检测，对其形成的问题原因进行诊断，最后我们会得出相应的解决方法，让其故障得到恢复，达到最有益的诊断目的。
1.2故障诊断系统框架
智能故障诊断主要包括系统检测、建模、诊断、故障推理及评价等内容，系统模型如图11所示。
图11 智能诊断系统模型
我们常见的故障诊断方法有：
1）基于机理模型的故障诊断方法
这是最直接、最透彻的一种方法，我们用这个方法让自己对诊断对象的工作方式、功能、结构和原理等有了很全面的认识，而且可以建立数学系统模型，在得到一定数据的基础之上能够清楚地进行诊断。但是我们的基础要求是能够建立清楚的数学模型，对于那种比较复杂的系统，此方法不能够进行应用。
2）基于知识规则的故障诊断方法
这种方法相对于上面那种方法，不需要建立繁琐的模型，只需要通过研究者的知识或者知识库中的判断。但是由于全是靠着已经有的知识进行诊断，当遇到一些生疏的或者新出的故障问题时，就会体现出经验的匮乏，应用在故障诊断中也具有一定的困难性。
第二章 深度学习
2.1深度学习的定义
由于对神经网络的发展越来越多，其产物就有深度学习。深度学习是机器学习领域的一个新的研究方向。近年来，它在图像识别和检索、语言信息处理和语音识别等领域取得了相对成功的发展。应用是深度学习模型开发的基础，模拟人脑神经网络的结构，处理这些信号、图像、声音和文本数据具有多重转换相层描述，并给出数据的解释。
2.2深度学习的介绍
由许多的隐藏层次的神经网络组成的，这就被叫做深度学习神经网络，内在属性都是通过深度学习神经网络的特征提取和转换来发现和了解的。其方法有以下几种：卷积神经网络、自编码网络和受限玻耳兹曼机等。
2.3深度学习、人工智能和机器学习的关系
机器学习被我们用来进行人工智能，深度学习又是被我们用来进行机器学习的一种科学技术。我们以下面的图片来显示出关系，很形象化的表现出三者之间的关系。
目 录
第一章 引 言 1
1.1故障诊断的产生和目的 1
1.2故障诊断系统框架 2
第二章 深度学习 3
2.1深度学习的定义 3
2.2深度学习的介绍 3
2.3深度学习、人工智能和机器学习的关系 3
第三章 基于BP神经网络的故障诊断算法 5
3.1 基于BP算法的神经网络模型 5
3.2 神经网络信息融合故障诊断步骤 6
3.3数据仿真 7
3.4 结果分析 9
3.4 采用BP网络的优缺点 10
第四章 深度神经网络 11
4.1 深度神经网络的介绍 11
4.2基于深度神经网络的智能诊断方法 12
4.3 基于栈式自动编码器的故障诊断 14
4.3.1数据的描述 14
4.3.2 确认数据 15
4.3.3深度神经网络与BP网络的准确率对比 17
4.3.4 结论 18
结束语 20
致 谢 21
参考文献 22
附录 24
第一章 引 言
随着社会发展的需求，我 *好棒文|www.hbsrm.com +Q: *351916072*
们要在将科技和生产力都进行提高，自动化、高速和智能都将变成这些东西的标签，设备生产效率和质量都会提高，但紧随其后的是复杂繁琐的设备结构和功能、失败的系统，所以成为设备管理和维护的核心内容近年来故障诊断，智能故障诊断技术也会跟着计算机网络技术的发展速度，智能技术，成为故障诊断的重要点，它可以提高系统的故障诊断和智能水平，具有以下特点:
(1) 能够解释推理详情和诊断成果；
(2) 能够知识共享、协同诊断、实时响应；
(3) 能有效利用诊断专家知识、经验，具有专家般的推理能力；
(4) 具有自学的能力，可以通过以前诊断实例获取新的知识。
故障诊断技术的研究可分为基于分析模型、信号处理和人工智能三种方法。目前，基于人工智能方法的智能诊断阶段已发展为故障诊断。人工智能是制造仿人类智能的机器。智能故障诊断方法包括故障树法、模糊理论方法、神经网络方法、群体智能方法、信息融合方法和网络方法。在研究中，要想独立对诊断任务是很不容易的事情。由此，故障诊断的发展方向是各种诊断方法的互补互利。
深度学习是如今社会发展所产生的，以其在图像、语音识别等领域那种自行提取能力取得了一定的辉煌成就。本文我们通过深度神经网络对故障检测的诊断来了解其的随机性并且降低其错误范围等方面
故障诊断也被称之为诊断，查找设备或者系统的故障的流程。其中用到的系统，也被我们叫做诊断系统。
1.1故障诊断的产生和目的
在生活中，我们各方面所使用的设备都需要一定的系统支持，而这些系统往往会出现很多的故障，故障诊断就是为这些系统运行中的状态和问题进行正确或者错误的分析，并且提供一定的数据依据。我们往往需要对这些问题进行检测，对其形成的问题原因进行诊断，最后我们会得出相应的解决方法，让其故障得到恢复，达到最有益的诊断目的。
1.2故障诊断系统框架
智能故障诊断主要包括系统检测、建模、诊断、故障推理及评价等内容，系统模型如图11所示。
图11 智能诊断系统模型
我们常见的故障诊断方法有：
1）基于机理模型的故障诊断方法
这是最直接、最透彻的一种方法，我们用这个方法让自己对诊断对象的工作方式、功能、结构和原理等有了很全面的认识，而且可以建立数学系统模型，在得到一定数据的基础之上能够清楚地进行诊断。但是我们的基础要求是能够建立清楚的数学模型，对于那种比较复杂的系统，此方法不能够进行应用。
2）基于知识规则的故障诊断方法
这种方法相对于上面那种方法，不需要建立繁琐的模型，只需要通过研究者的知识或者知识库中的判断。但是由于全是靠着已经有的知识进行诊断，当遇到一些生疏的或者新出的故障问题时，就会体现出经验的匮乏，应用在故障诊断中也具有一定的困难性。
第二章 深度学习
2.1深度学习的定义
由于对神经网络的发展越来越多，其产物就有深度学习。深度学习是机器学习领域的一个新的研究方向。近年来，它在图像识别和检索、语言信息处理和语音识别等领域取得了相对成功的发展。应用是深度学习模型开发的基础，模拟人脑神经网络的结构，处理这些信号、图像、声音和文本数据具有多重转换相层描述，并给出数据的解释。
2.2深度学习的介绍
由许多的隐藏层次的神经网络组成的，这就被叫做深度学习神经网络，内在属性都是通过深度学习神经网络的特征提取和转换来发现和了解的。其方法有以下几种：卷积神经网络、自编码网络和受限玻耳兹曼机等。
2.3深度学习、人工智能和机器学习的关系
机器学习被我们用来进行人工智能，深度学习又是被我们用来进行机器学习的一种科学技术。我们以下面的图片来显示出关系，很形象化的表现出三者之间的关系。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/95.html
