厚度控制是决定钢铁产品质量的重要因素,轧机AGC液压系统的各种性能和状态对目标的轧制质量有很大影响。采用基于物联网的深度置信网络的故障诊断方法,用物联网智能控制作为平台,利用无线传感网络技术对各类数据进行实施测控以及远程共享,把采集到的故障信号输入深度置信网络模型,对样本数据进行训练,通过实验仿真准确诊断出故障。经过实验,深度置信网络模型可以适用于轧机AGC这种复杂的系统,保证系统的正常运行,降低设备故障率的同时提高生产效率。

针对传统太阳能光伏面板缺陷检测方法存在检测效率低以及准确率低的问题,提出一种融合纹理特征和颜色特征的太阳能光伏面板缺陷深度学习检测模型,使用深度置信网络模型对缺陷样本进行学习、训练,引入图像纹理特征及颜色特征改进缺陷识别过程,并采用最大似然法和自适应时刻估计法对深度置信网络的参数进行优化。实验结果表明,用所提算法进行太阳能光伏面板缺陷检测的识别准确率高达99.42%,比傅里叶重构技术提高了3.15%,有效提高了面板缺陷检测的准确率,为太阳能光伏面板缺陷检测提供了新的方法。

针对行星齿轮箱振动信号维度高,传统故障诊断方法识别精度低的问题,提出一种基于局部切空间排列算法(Local Tangent Space Alignment,LTSA)和深度置信网络(Deep Belief Network,DBN)的行星齿轮箱故障诊断方法。首先,利用PCA算法预估高维数据的内在维度,确定目标数据的内在维数;其次,根据目标数据的内在维数结合LTSA算法对高维数据集进行约简,并划分测试集和训练集;最后,利用训练集训练DBN模型参数,获得行星齿轮箱故障辨识模型,并将测试集输入辨识模型实现行星齿轮箱故障辨识。实验结果表明,所提方法实现高维数据降维的同时,也提升了智能诊断模型的分类精度。

考虑到深度神经网络具备优异的故障识别性能,针对柱塞泵压力与流量信号特征提取难度大问题,设计了一种综合运用小波变换与希尔伯特-黄变换来实现的特征提取方法,建立了RBM-BP网络来达到优化原始特征的作用,利用高级融合特征诊断柱塞泵泄漏状态。高级特征散点表明,深度置信网络在学习原始特征方面表现出了较强学习能力,实现原始特征的抽象提取,确保高级特征能够更准确完成柱塞泵内泄分级与诊断过程。研究结果表明所有正常泄漏样本都被准确预测,微弱泄漏与严重泄漏都出现了1个样本发生错误预测情况。相比较SSAE与H-ELM,RBM-BP在各层中都表现出比更低的识别。RBM-BP方法获得了比SSAE与H-ELM更高的准确率,准确率波动性也更小,表明RBM-BP模型达到了更优的稳定性,表现出了对柱塞泵内泄状态更强辨识能力与稳定性。

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。

为了解决航空发动机液压管路系统中管路故障诊断困难的问题,提出了一种基于深度置信网络(Deep Belief Networks,DBN)的航空液压管路智能故障诊断方法。首先,将采集的液压管路振动数据进行处理,提取出时频域特征参数,其次,将时频域特征参数作为输入样本,输入到深度置信网络模型中,利用深度置信网络模型进行液压管路故障的识别;最后,将本方法应用于航空液压管路模拟故障实验数据中,同时将本文方法与BPNN和SVM等方法进行对比分析,结果表明:本方法对液压管路故障的总体准确率达到99.27%,平均AUC值达到0.9937,同时表明本文建立的分类模型不仅能够实现航空液压管路状态的准确分类,而且对于管路单一故障和多故障并发情况也能精准识别。

为了实现液压系统中冷却器的故障状态识别,本文提出一种利用粒子群算法优化的深度置信网络(PSO-DBN)实现多传感器信息融合的故障诊断模型。在所提出的模型中,对来自不同传感器的信号进行特征计算与选择并采用多传感器融合方法进行特征级融合送入深度置信网络实现冷却器故障状态的识别。同时采用粒子群算法自适应地选择深度置信网络的超参数,包括隐藏层节点数、反向迭代次数和反向学习率,以确定网络的最优结构,进而提高深度置信网络的诊断精度。本文采用加利福尼亚大学欧文分校机器学习与智能系统中心的液压系统数据集进行验证,实验结果表明,与深度置信网络、遗传算法优化的深度置信网络、粒子群算法优化的支持向量机相比,PSO-DBN能够有效地提取数据中的内在特征,冷却器的故障状态平均识别精度可达98.77%,实现了对冷却器故障状态的...

为避免液压油缸泄露给液压系统带来的速度放缓和压力不足等问题,研究基于深度学习的液压油缸泄露故障自动诊断方法。深入分析液压油缸泄露故障机理,依据液压油缸泄露量,将泄露故障划分为正常、轻微、中度以及严重泄露四种状态,使用压力传感器采集各状态下的压力信号,利用小波包变换提取压力信号的小波包能谱熵特征,将其作为输入量,运用深度置信网络实现液压油缸泄露故障高精度自动诊断。实验结果表明:该方法能清晰呈现不同液压油缸泄露状态下的压力信号特点,且所得信号质量较高;利用压力信号的小波包能量谱自动诊断液压油缸泄露故障具有较高的可行性;该方法在准确诊断液压油缸泄露故障状态的同时,还能判断液压油缸泄露故障的形式。

针对滚动轴承振动信号故障特征提取依赖于专家经验引起的不确定性影响识别准确率的问题,提出一种基于多参数优化深度置信网络的滚动轴承外圈损伤程度识别方法。首先,考虑外圈滚道损伤分布弧长的变化对滚动轴承动力学特性的影响,建立五自由度滚动轴承损伤动力学模型,仿真求解外圈不同损伤程度的滚动轴承响应信号;然后,基于模拟退火算法优化DBN的多个结构参数,利用仿真数据的原始时域波形直接进行损伤程度的识别。不同信噪比外圈损伤仿真数据与齿轮箱轴承试验数据的分析结果表明,该方法无需先验知识提取外圈损伤特征,可直接利用轴承原始时域数据自学习地提取不同损伤程度的特征信息,且识别准确性和稳定性更高,具有工程应用价值。