1、感應(yīng)電機(jī)作為一種必不可缺的驅(qū)動(dòng)裝置，在現(xiàn)代工業(yè)生產(chǎn)中占據(jù)著重要地位。一旦電機(jī)出現(xiàn)故障，不僅影響生產(chǎn)設(shè)備的整體生產(chǎn)效率，造成經(jīng)濟(jì)損失，嚴(yán)重時(shí)可能會(huì)引發(fā)災(zāi)難性的事故。因此，為了保障生產(chǎn)系統(tǒng)的安全運(yùn)行，及時(shí)發(fā)現(xiàn)問(wèn)題并進(jìn)行維修以減少生產(chǎn)損失，對(duì)感應(yīng)電機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷具有非常重要的意義。感應(yīng)電機(jī)發(fā)生故障的位置多，故障現(xiàn)象復(fù)雜，而現(xiàn)有的故障診斷方法大多采用信號(hào)處理方法來(lái)分析采集到的信號(hào)，提取一些表現(xiàn)電機(jī)運(yùn)行狀態(tài)的故障特征量用于故障識(shí)別。在這

2、過(guò)程中不僅需要大量的信號(hào)處理專業(yè)知識(shí)來(lái)對(duì)信號(hào)進(jìn)行處理與分析，并且要求技術(shù)人員對(duì)所檢測(cè)機(jī)械的運(yùn)行狀態(tài)和故障相關(guān)背景都有較強(qiáng)的專業(yè)認(rèn)識(shí)，再加上機(jī)械運(yùn)轉(zhuǎn)過(guò)程中，大量不可預(yù)測(cè)的因素存在，使得故障診斷過(guò)程更為復(fù)雜，人為判斷錯(cuò)誤的可能性加大。隨著人工智能、機(jī)器學(xué)習(xí)方法的興起與不斷發(fā)展，從數(shù)據(jù)本身自動(dòng)學(xué)習(xí)數(shù)據(jù)的有效內(nèi)在表達(dá)的思想和方法為感應(yīng)電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷提供了切實(shí)有效的研究新思路。本文著重研究了深度學(xué)習(xí)的幾種實(shí)現(xiàn)模型及其在感應(yīng)電機(jī)故障診斷中的

3、應(yīng)用，主要研究工作和成果歸納如下:
　　(1)系統(tǒng)學(xué)習(xí)了神經(jīng)網(wǎng)絡(luò)的基本理論和深度學(xué)習(xí)的基本思想及常用方法，并且針對(duì)“淺層”神經(jīng)網(wǎng)絡(luò)存在表達(dá)能力有限，泛化能力差的缺點(diǎn)，重點(diǎn)研究了機(jī)器學(xué)習(xí)領(lǐng)域中深度學(xué)習(xí)的幾種深度基本模型和極限學(xué)習(xí)機(jī)模型，這些模型算法都有效改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性。
　　(2)研究了自動(dòng)編碼器及其擴(kuò)展類型:稀疏自編碼和去噪自編碼，并把它們結(jié)合到一個(gè)自動(dòng)編碼器模型上，提出基于稀疏去噪自動(dòng)編碼的感應(yīng)電機(jī)故障診斷方法

4、。利用大量無(wú)標(biāo)簽電機(jī)振動(dòng)數(shù)據(jù)訓(xùn)練稀疏去噪自動(dòng)編碼器，提取數(shù)據(jù)的內(nèi)在簡(jiǎn)明且稀疏的特征，進(jìn)行有效的無(wú)監(jiān)督特征學(xué)習(xí)，進(jìn)而用于深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建，實(shí)現(xiàn)感應(yīng)電機(jī)的大數(shù)據(jù)特征挖掘與故障診斷。
　　(3)研究了卷積神經(jīng)網(wǎng)絡(luò)，掌握其結(jié)構(gòu)組成及卷積池化操作的過(guò)程和意義，實(shí)現(xiàn)一維時(shí)間序列的卷積操作，提取到具有內(nèi)部選擇、時(shí)域不變的特征。卷積池化結(jié)構(gòu)具有稀疏連接的結(jié)構(gòu)特性，可以利用局部濾波器學(xué)習(xí)振動(dòng)數(shù)據(jù)的局部變化，提取到更細(xì)致的特征表達(dá)。針對(duì)傳統(tǒng)卷積神經(jīng)

5、網(wǎng)絡(luò)的監(jiān)督式訓(xùn)練方式需要大量的訓(xùn)練樣本和訓(xùn)練用時(shí)的問(wèn)題，對(duì)其結(jié)構(gòu)和訓(xùn)練方式進(jìn)行了相應(yīng)改進(jìn)，提出一種判別性卷積特征學(xué)習(xí)方法，更快速智能有效的進(jìn)行感應(yīng)電機(jī)故障特征學(xué)習(xí)。
　　(4)研究了極限學(xué)習(xí)機(jī)模型，探索其作為分類器在感應(yīng)電機(jī)故障診斷上的實(shí)現(xiàn)效果。研究基于局部感受域的極限學(xué)習(xí)機(jī)，用卷積的節(jié)點(diǎn)實(shí)現(xiàn)局部特征的學(xué)習(xí)，使得極限學(xué)習(xí)機(jī)更適用于具有較強(qiáng)局部性的模式分類問(wèn)題。研究核極限學(xué)習(xí)機(jī)模型，如支持向量機(jī)一樣，其引入核函數(shù)，在不需要知道隱層表