在深度信念网络(DBN)故障诊断模型中进行参数训练时容易出现局部搜索结果,导致DBN故障诊断模型训练效率降低并引起错误诊断的结果。为更加准确诊断复杂机电设备的故障,综合运用DS证据理论和优化深度信念网络故障诊断模型,构建了以优化深度信念网络为基础的多测点故障诊断方法。选择异步电动作为测试对象,完成电机的故障诊断,研究结果表明所有测点ICIM-DBN故障诊断模型都在30代训练时发生收敛,说明本文设计的混沌免疫算法可以获得全局最优结果。故障诊断准确率都提高到10%,并且轴承故障诊断准确率也可以达到98.6%。利用此方法能够准确分辨故障信号,可以实现对各个测点故障数据的综合判断,从而防止受故障信号衰减影响以及测试误差而降低故障诊断准确率情况。

液压系统电机电信号中包含丰富的系统运行状态信息,如何准确对电信号中的运行信息进行提取和分类是实现液压系统状态监测的关键。电机电流信号中蕴含的液压齿轮泵早期故障特征微弱,提取困难,用传统时频分析方法难以实现故障特征分离。本文提出基于相关系数和人工蜂群算法(Artificial bee colony,ABC)实现了对变分模态分解(Variational mode decomposition,VMD)参数的优化,同时以信号相关系数和峭度值最大为选取原则,确定有效的本征模态函数(Intrinsic mode function,IMF),并将IMF有效分量的排列熵和均方根值作为高维特征向量输入深度信念网络(Deep belief network,DBN-DNN),实现了对齿轮泵运行状态进行监测。结果表明,该方法能准确稳定地提取电流信号中携带的齿轮泵故障的微弱特征,进行齿轮泵运行状态监测,提高了齿轮故障诊断的准确性。

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明:采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模...

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解（Empirical mode decomposition,EMD）和深度信念网络（Deep belief network,DBN）的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数（Intrinsic mode function,IMF）分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机（Extreme learning machine,ELM）的特征选择方法 （Features selection base on ELM,FSELM）,以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。