-[4]?；诮馕瞿Ｐ偷姆椒?，需要在掌握研究對(duì)象的機(jī)理來(lái)實(shí)現(xiàn)建模，比如建立觀測(cè)器[5]、等價(jià)空間方程[6]等方法，預(yù)測(cè)系統(tǒng)的輸出并構(gòu)建殘差信號(hào)以實(shí)現(xiàn)故障診斷的目的。但是現(xiàn)代機(jī)械設(shè)備機(jī)理的復(fù)雜化和數(shù)據(jù)關(guān)系的復(fù)雜化，使得系統(tǒng)的數(shù)學(xué)模型難以構(gòu)建，逐漸不適合大數(shù)據(jù)時(shí)代的工業(yè)。目前基于模型的研究方向主要圍繞提高其在非線性過(guò)程的檢測(cè)率和魯棒性。文獻(xiàn)[7]提出了一種擾動(dòng)解耦的粒子濾波算法，增加了等價(jià)空間法的魯棒性?；谥R(shí)的方法，也依賴于系統(tǒng)的機(jī)理與先驗(yàn)知識(shí)，從系統(tǒng)的初始狀態(tài)出發(fā)，利用邏輯推理，完成故障的檢測(cè)和分離。圖論[8]的方法建模方法簡(jiǎn)單，但它在聯(lián)系復(fù)雜的系統(tǒng)過(guò)程檢測(cè)正確率不高，文獻(xiàn)[9]將圖論和貝葉斯網(wǎng)絡(luò)相結(jié)合，提出了解決復(fù)雜關(guān)聯(lián)關(guān)系的故障診斷能力的方法，文獻(xiàn)[10]介紹了同高效雙向推理引擎建立符號(hào)定向圖深層知識(shí)模型的方法?；趯＜蚁到y(tǒng)的方法[11]，受專家經(jīng)驗(yàn)影響大，雖然也不用建立數(shù)學(xué)模型，但是獲取知識(shí)的過(guò)程比較困難?；跀?shù)據(jù)驅(qū)動(dòng)的方法是最適合當(dāng)前科技發(fā)展趨勢(shì)的方法，該方法避免了前兩種方法對(duì)機(jī)理和先驗(yàn)知識(shí)的依賴，直接依托建立網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)的處理實(shí)現(xiàn)特征的提取。最早發(fā)展起來(lái)的是基于統(tǒng)計(jì)分析的方法，包括主成分分析法、局部判別分析、高斯混合模型，然后不斷研究拓展至適用于更多非線性工業(yè)過(guò)程。將近年來(lái)，深度學(xué)習(xí)的發(fā)展為數(shù)據(jù)驅(qū)動(dòng)在故障診斷方面的發(fā)展提供更多方法，本文主要研究深度學(xué)習(xí)中的深度置信網(wǎng)絡(luò)在故障診斷方面的有效性。基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷，不用確定系統(tǒng)的解析模型，對(duì)運(yùn)行過(guò)中采集到的數(shù)據(jù)進(jìn)行分析處理，從數(shù)據(jù)中挖掘故障有關(guān)信息，是目前經(jīng)常用的方法。通過(guò)對(duì)采集的大量離線數(shù)據(jù)進(jìn)行相關(guān)模型訓(xùn)練，分析故障相關(guān)信息，這種方法不需要具體的機(jī)理和先驗(yàn)知識(shí)，在現(xiàn)代工業(yè)過(guò)程中研究與應(yīng)用越來(lái)越多。一般將數(shù)據(jù)驅(qū)動(dòng)的診斷方法大致分為信號(hào)處理、多元分析、機(jī)器學(xué)習(xí)[2]等。本節(jié)主要對(duì)其中的兩種，基于多元統(tǒng)計(jì)分析的和深度學(xué)習(xí)的方法做主要概述?；诙嘣y(tǒng)計(jì)分析的故障診斷概述基于多元分析[12]是數(shù)據(jù)驅(qū)動(dòng)的故障診斷中研究與應(yīng)用中，發(fā)展最早的方法，通過(guò)對(duì)高維數(shù)據(jù)向低維映射，然后通過(guò)對(duì)低維特征空間的分析實(shí)現(xiàn)故障信息提取。傳統(tǒng)的方法有主元分析（PrincipalComponentAnalysis，PCA）、費(fèi)舍爾判別（FisherDiscriminantAnalysis，F(xiàn)DA）[13]、獨(dú)立元分析(IndependentComponentAnalysis，ICA)、偏最小二乘(PartialLeastSquares，PLS)?，F(xiàn)代多元分析的方法，主要是對(duì)傳統(tǒng)方法的改進(jìn)和與其它方法的優(yōu)勢(shì)組合，以實(shí)現(xiàn)更適合非線性、聯(lián)系復(fù)雜的實(shí)際采集數(shù)據(jù)的目標(biāo)。PCA能夠在實(shí)現(xiàn)數(shù)據(jù)降維的同時(shí)，分解出原始數(shù)的主元空間，以它來(lái)表示這個(gè)樣本的主要特征。離線過(guò)程數(shù)據(jù)用來(lái)建立主元空間，在線監(jiān)測(cè)數(shù)據(jù)在此模型的基礎(chǔ)上投影，建立和統(tǒng)計(jì)指標(biāo)，以判斷是否有效實(shí)現(xiàn)故障檢測(cè)，并通過(guò)定義貢獻(xiàn)度函數(shù)，用貢獻(xiàn)圖法[14]判斷引起故障的最大變量。但是傳統(tǒng)PCA方法只是利用線性變換，對(duì)實(shí)際工況中很多非線性數(shù)據(jù)不能有效應(yīng)用，因此經(jīng)過(guò)改進(jìn)，發(fā)展出很多方法以實(shí)現(xiàn)非線性問(wèn)題中對(duì)數(shù)據(jù)的有效檢測(cè)，Muhammad等[15]提出基于多尺度主成分分析、累計(jì)和的多尺度故障檢測(cè)方法，建立新的和指標(biāo)方法，提高了魯棒性。核主成分分析（KernalPCA，KPCA）[16]對(duì)坐標(biāo)軸做非線性變換，數(shù)據(jù)所映射的新基不再是直線，而是一條曲線或者曲面，這一方法的提出，提高了非線性過(guò)程的檢測(cè)性能。如針對(duì)傳統(tǒng)PCA只考慮了靜態(tài)線性關(guān)系的問(wèn)題，發(fā)展出動(dòng)態(tài)PCA[17]，考慮數(shù)據(jù)變量間的自相關(guān)性，適合動(dòng)態(tài)多變量問(wèn)題。FDA[18]的主要原理與PCA相似，通過(guò)正交向量對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行投影，但不同的是，F(xiàn)DA考慮了數(shù)據(jù)之間的關(guān)聯(lián)性，可以通過(guò)定義分散矩陣實(shí)現(xiàn)數(shù)據(jù)分類，但若是在樣本數(shù)據(jù)均值變化不大的情況下，F(xiàn)DA的方法會(huì)因?yàn)橥队翱臻g產(chǎn)生交疊而影響故障檢測(cè)效果。文獻(xiàn)[19]介紹了一種半監(jiān)督學(xué)習(xí)結(jié)合FDA模型的方法，以自適應(yīng)形式來(lái)實(shí)現(xiàn)故障分類的方法，通過(guò)這種方法大大提高了魯棒性和故障診斷能力。PLS[20]同時(shí)分析了信號(hào)的自變量和因變量，結(jié)合了數(shù)據(jù)的降維和回歸，因此還可以實(shí)現(xiàn)故障的分類，適用于處理樣本少但是變量多相關(guān)性復(fù)雜的數(shù)據(jù)關(guān)系。文獻(xiàn)[21]對(duì)比了PCA和PLS方法在熱連軋過(guò)程的檢測(cè)結(jié)果，驗(yàn)證了PLS比傳統(tǒng)PCA有更好的檢測(cè)效果。ICA比PCA有更多方面的優(yōu)勢(shì)。ICA[22]通過(guò)比較隨機(jī)微分熵，將數(shù)據(jù)分解成多個(gè)沒(méi)有相關(guān)性的變量組合，這種分解在非高斯正態(tài)分布輸入信號(hào)下唯一確定，因此與PCA和PLS相比，ICA可以用在源信號(hào)為非高斯的情況下，具有更為廣闊的應(yīng)用場(chǎng)景。文獻(xiàn)[23]介紹了ICA在工業(yè)過(guò)程監(jiān)控和故障診斷中的建立方法，并驗(yàn)證其在化工過(guò)程的應(yīng)用。基于深度學(xué)習(xí)的故障診斷概述人工智能、大數(shù)據(jù)的發(fā)展讓機(jī)器學(xué)習(xí)不斷拓展發(fā)展。傳統(tǒng)的機(jī)器學(xué)習(xí)，通過(guò)歷史數(shù)據(jù)訓(xùn)練模型，來(lái)實(shí)現(xiàn)對(duì)在線數(shù)據(jù)的監(jiān)控，但是在特征的選擇上，往往沒(méi)有很好的效果，而深度學(xué)習(xí)模擬生物神經(jīng)元的信號(hào)傳遞方法，加深了網(wǎng)絡(luò)層數(shù)，而多層的深度學(xué)習(xí)網(wǎng)絡(luò)能夠更好的表現(xiàn)出數(shù)據(jù)和設(shè)備狀況的映射，在故障診斷方面成為近幾年十分受歡迎的研究方向[24]，隨著新用途和設(shè)計(jì)的提出，深度學(xué)習(xí)呈結(jié)構(gòu)越來(lái)越復(fù)雜的趨勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）[25]可以提取抽象的數(shù)據(jù)特征。其在底層網(wǎng)絡(luò)部分通過(guò)卷積和子采樣兩種形式輪流更迭訓(xùn)練數(shù)據(jù)，中間的卷積和池化層堆疊建立，頂層部分是普通多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。文獻(xiàn)[26]介紹了深度卷積網(wǎng)絡(luò)的構(gòu)建方法，并用使用傅里葉變換將信號(hào)轉(zhuǎn)化為頻譜圖，提出了一種改進(jìn)的Dropout結(jié)合CNN的方法，提高了故障特征的自適應(yīng)提取能力。深層架構(gòu)的CNN有更好的特征提取和復(fù)雜映射能力。Fan[28]等人提出了CNN結(jié)合傳遞學(xué)習(xí)的故障診斷方法，解決了強(qiáng)噪聲影響下故障圖像診斷的問(wèn)題，堆疊自動(dòng)編碼機(jī)（StakerAutoencoder，SAE）[29]是一種自監(jiān)督模型，由自編碼器堆疊而來(lái)，這種方法更加適用于對(duì)低維數(shù)據(jù)進(jìn)行處理。它由兩部分構(gòu)成，其中編碼器負(fù)責(zé)提取，解碼器負(fù)責(zé)重構(gòu)，重構(gòu)輸出數(shù)據(jù)和原始數(shù)據(jù)同一維度，當(dāng)輸出和原始數(shù)據(jù)的誤差值足夠小時(shí)，其低維數(shù)據(jù)的輸出便可以當(dāng)做被提取的特征。文獻(xiàn)[30]將批量標(biāo)準(zhǔn)化引入SAE，提出了改進(jìn)的SAE模型，使誤差更小。為了增強(qiáng)SAE的魯棒性，降噪自動(dòng)編碼器在原始數(shù)據(jù)加入噪聲，使退化的特征也能得到學(xué)習(xí)。Li[31]等人提出了用疊加去噪SAE的聚合層的方法，消除了網(wǎng)絡(luò)深層的梯度消失現(xiàn)象，將表層節(jié)點(diǎn)的表達(dá)與深層節(jié)點(diǎn)的表達(dá)混合，避免了深層節(jié)點(diǎn)表達(dá)能力的不足等問(wèn)題。遞歸神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）[32]是一種考慮了樣本之間關(guān)聯(lián)性的網(wǎng)絡(luò)，即某時(shí)刻的輸出還受上一時(shí)刻隱含層的輸出影響，這種方法可以處理有時(shí)間序列存在的數(shù)據(jù)，但是在信息傳播的過(guò)程中容易出現(xiàn)梯度消失的問(wèn)題。為了解決這個(gè)問(wèn)題，可以對(duì)狀態(tài)進(jìn)行判斷處理的長(zhǎng)短記憶網(wǎng)絡(luò)出現(xiàn)，文獻(xiàn)[33]提出一種長(zhǎng)短記憶網(wǎng)絡(luò)和RNN結(jié)合的方法，用長(zhǎng)短記憶網(wǎng)絡(luò)提取時(shí)間維度的相關(guān)性，有效提高了在時(shí)間相關(guān)性強(qiáng)的工況中的問(wèn)題。Liang[34]等人提出了一種CNN和RNN結(jié)合的卷積循環(huán)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了特征提取和學(xué)習(xí)振動(dòng)信號(hào)前后數(shù)據(jù)相關(guān)性相結(jié)合的診斷方法，大大提高了診斷能力。深度置信網(wǎng)絡(luò)DBN是由玻爾茲曼機(jī)發(fā)展而來(lái)的，玻爾茲曼機(jī)是基于能量的函數(shù)，其定義類比于物理模型，即系統(tǒng)越穩(wěn)定網(wǎng)絡(luò)蘊(yùn)含的能量最小。相比于傳統(tǒng)方法，與淺層網(wǎng)絡(luò)相比，DBN模型有效解決了維數(shù)災(zāi)難、診斷精度低等問(wèn)題；與RNN、CNN等其他深度學(xué)習(xí)模型相比，DBN算法簡(jiǎn)單，易于訓(xùn)練，并且拓展方便。其優(yōu)勢(shì)還在于，它對(duì)時(shí)域頻域沒(méi)有要求，不需要其他對(duì)信號(hào)的處理技術(shù)，獨(dú)立完成對(duì)大量數(shù)據(jù)的特征提取。目前對(duì)DBN在故障診斷的研究還處于上升研究階段，展現(xiàn)出了很多方面的應(yīng)用提升目標(biāo)。近些年越來(lái)越多的研究對(duì)傳統(tǒng)DBN進(jìn)行改善，以增強(qiáng)其診斷能力和性能，目前DBN在故障診斷領(lǐng)域，主要用于特征提取和分類。文獻(xiàn)[35]提出了改進(jìn)的DBN診斷方法，將正則項(xiàng)引入訓(xùn)練過(guò)程，將傳統(tǒng)RBM改成稀疏RBM，并用拉普拉斯函數(shù)規(guī)范DBN的稀疏狀態(tài)。文獻(xiàn)[36]提出了結(jié)合DBN和隨機(jī)森林算法，進(jìn)行降維和提高分類率的分類方法，該方法在處理航天器電信號(hào)數(shù)據(jù)的精度、計(jì)算效率和穩(wěn)定性等方面都有很好的表現(xiàn)。論文的主要內(nèi)容本文針對(duì)故障診斷展開(kāi)研究，從介紹傳統(tǒng)故障診斷技術(shù)開(kāi)始，提出了本文主要研究重點(diǎn)，基于深度置信網(wǎng)絡(luò)的故障診斷方法，通過(guò)構(gòu)建DBN網(wǎng)絡(luò)模型完成故障檢測(cè)、辨識(shí)與分類。在第二章中，對(duì)基于數(shù)據(jù)驅(qū)動(dòng)故障診斷進(jìn)行概述，然后介紹了其中的分支，深度學(xué)習(xí)在故障診斷中的概述，引出本文中研究所用的主要方法深度置信網(wǎng)絡(luò)。在第三章中，對(duì)基于傳統(tǒng)故障檢測(cè)、辨識(shí)、分類方法的介紹。首先介紹了基于PCA的故障檢測(cè)、辨識(shí)方法，建立檢測(cè)指標(biāo)和，并描述根據(jù)兩個(gè)統(tǒng)計(jì)量指標(biāo)建立故障變量貢獻(xiàn)圖，然后介紹用于分類的傳統(tǒng)的BP算法。在第四章中，介紹了本文主要的研究對(duì)象DBN在故障診斷方面的建立方法。首先介紹DBN的原理，從單個(gè)受限玻爾茲曼機(jī)的架構(gòu)訓(xùn)練，到整個(gè)DBN網(wǎng)絡(luò)的建立和訓(xùn)練方法。其次，在DBN網(wǎng)絡(luò)模型的基礎(chǔ)上，介紹了DBN實(shí)現(xiàn)故障檢測(cè)指標(biāo)建立方法，在此基礎(chǔ)上，通過(guò)鏈?zhǔn)狡珜?dǎo)完成故障辨識(shí)。最后研究DBN與Softmax層相結(jié)和實(shí)現(xiàn)故障分類的方法。在第五章中，對(duì)工業(yè)帶鋼熱連軋進(jìn)行過(guò)程描述，并通過(guò)MATLAB編寫(xiě)程序仿真，用帶鋼熱連軋案例數(shù)據(jù)集，根據(jù)第四章所描述的方法，用DBN模型實(shí)現(xiàn)故障的檢測(cè)、辨識(shí)、分類，并將結(jié)果與第三章中所提的傳統(tǒng)方法做對(duì)比，驗(yàn)證DBN在故障診斷方面的有效性?；緮?shù)據(jù)驅(qū)動(dòng)故障診斷方法故障診斷技術(shù)發(fā)展至今，方向和方法眾多。其中PCA主元分析方法最基本的方法之一，以其用較少綜合變量保留盡可能多的原始信息、建立過(guò)程簡(jiǎn)單、無(wú)參數(shù)限制等優(yōu)點(diǎn)廣泛應(yīng)用于工業(yè)故障檢測(cè)中。BP神經(jīng)網(wǎng)絡(luò)也是應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)，其發(fā)展理論和擴(kuò)展應(yīng)用都已經(jīng)比較成熟。本章介紹傳統(tǒng)PCA的故障檢測(cè)方法和BP網(wǎng)絡(luò)用于分類的方法?；赑CA的故障檢測(cè)主成分分析是最常用的無(wú)監(jiān)督數(shù)據(jù)降維方法之一，它根據(jù)數(shù)據(jù)特征進(jìn)行正交變換，在降低維度的同時(shí)，將數(shù)據(jù)的主要特征信息保留下來(lái)，達(dá)到最大化原數(shù)據(jù)方差的作用，使數(shù)據(jù)在不同正交方向上沒(méi)有相關(guān)性。假設(shè)檢測(cè)數(shù)據(jù)的樣本矩陣為，為維矩陣，為單個(gè)變量的樣本數(shù)，為輸入變量的數(shù)目。PCA模型可以分解如下形式：（3-1）其中為得分，其中，得分向量表示在上的映射，也表示每個(gè)主成分的權(quán)重。，為負(fù)載矩陣。各之間和各之間都是正交的。首先計(jì)算矩陣的協(xié)方差：（3-2）然后對(duì)進(jìn)行特征分解，將得到的特征值按排列，對(duì)應(yīng)的向量分別為。具體求解公式如下：（3-3）其中，，為主元負(fù)載部分正交矩陣，由前個(gè)主元的特征向量組成，為殘差負(fù)載的正交矩陣。因此可以求得下式：（3-4）式中為降維后的主元模型，為主元得分，且，為殘差矩陣。這里用累計(jì)方差貢獻(xiàn)率（CPV）來(lái)計(jì)算，一般認(rèn)為當(dāng)CPV的值大于時(shí)，可以用選取的數(shù)據(jù)信息作為主元。的計(jì)算方法如下式：（3-5）故障檢測(cè)需要根據(jù)主成分和殘差矩陣建立和檢測(cè)統(tǒng)計(jì)量，表示樣本在殘差空間中投影的變化，衡量了對(duì)主元的偏離程度。衡量樣本在主元空間內(nèi)的變化，新樣本向量在訓(xùn)練集樣本中建立的主元空間映射如下式：（3-6）和實(shí)現(xiàn)公式為：（3-7）統(tǒng)計(jì)量的閾值和的建立方法如下所示：（3-8）式中，是顯著性水平為的上分位數(shù)，相關(guān)系數(shù)和的計(jì)算方法如下所示：（3-9）PCA的故障檢測(cè)標(biāo)準(zhǔn)可根據(jù)統(tǒng)計(jì)量值和閾值的比較了來(lái)判斷，如下式：（3-10）綜上，基于PCA的故障檢測(cè)，具體實(shí)現(xiàn)的步驟如下：用歷史正常數(shù)據(jù)離線訓(xùn)練建模，首先對(duì)歷史樣本用零均值單位方差的方法預(yù)處理。將標(biāo)準(zhǔn)化后的正常數(shù)據(jù)，用式（3-2）、（3-3）、（3-4）進(jìn)行PCA分解，通過(guò)式（3-5）的方法確定主元個(gè)數(shù)。用式（3-8）計(jì)算和的控制限。對(duì)在線監(jiān)測(cè)數(shù)據(jù)按訓(xùn)練數(shù)據(jù)同樣的方法進(jìn)行的標(biāo)準(zhǔn)化預(yù)處理。根據(jù)步驟（2）中所述方法對(duì)在線測(cè)試數(shù)據(jù)進(jìn)行處理。用式（3-7）所述方法建立和統(tǒng)計(jì)指標(biāo)。繪制和圖形，根據(jù)是否超過(guò)控制限，判斷在線監(jiān)測(cè)過(guò)程是否發(fā)生故障?；赑CA的故障辨識(shí)完成PCA的故障檢測(cè)后，和統(tǒng)計(jì)量?jī)H反映了是否發(fā)生故障，沒(méi)有直觀的描述某個(gè)采樣點(diǎn)故障的主要影響變量，還需進(jìn)一步判斷造成故障發(fā)生的具體變量，對(duì)故障進(jìn)行定位?；趥鹘y(tǒng)PCA的方法通過(guò)貢獻(xiàn)圖法，用直方圖的形式，直觀的判斷每個(gè)變量對(duì)采樣點(diǎn)的貢獻(xiàn)值，貢獻(xiàn)值大的幾個(gè)值對(duì)應(yīng)的變量，即可確定為故障發(fā)生位置，便于故障排查。第個(gè)變量在第個(gè)時(shí)刻的貢獻(xiàn)值是個(gè)主元變量貢獻(xiàn)值的累加，貢獻(xiàn)值定義如下式：（3-11）第個(gè)變量在第個(gè)時(shí)刻的貢獻(xiàn)值是殘差變量的平方，貢獻(xiàn)值定義如下式：（3-12）基本分類方法傳統(tǒng)的BP算法分為前向傳播和誤差反向傳播兩步。前向傳播通過(guò)權(quán)值和閾值計(jì)算原始數(shù)據(jù)的輸出；在反向傳播中，網(wǎng)絡(luò)輸出值與期望值進(jìn)行比較，將誤差利用梯度下降等方法優(yōu)化參數(shù)，直至訓(xùn)練集的最終誤差小于設(shè)定值。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，它的基本結(jié)構(gòu)如圖所3-1所示圖3-1BP基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)的建立，首先隨機(jī)初始化BP的層間權(quán)值和每個(gè)神經(jīng)元的閾值，輸入數(shù)據(jù)的實(shí)際維度確定BP的輸入層個(gè)數(shù)，輸出層個(gè)數(shù)由最終的分類目標(biāo)數(shù)確定，隱層的數(shù)目可根據(jù)公式3-11來(lái)確定。（3-11）、分別代表輸入輸出層神經(jīng)元數(shù)，選取1-10內(nèi)的常數(shù)。設(shè)樣本數(shù)據(jù)集輸入為，為輸入數(shù)據(jù)，為對(duì)應(yīng)的標(biāo)簽。隱層和輸出層之間的激活函數(shù)，這里選用，即函數(shù)。表示第三層和中間層權(quán)值，隱層第個(gè)節(jié)點(diǎn)的輸出為：（3-12）表示隱含層與輸出層權(quán)值，輸出層結(jié)果可計(jì)算為：（3-13）若每個(gè)節(jié)點(diǎn)的期望輸出為，可定義損失函數(shù)輸出：（3-14）采用梯度下降法更新權(quán)重，使誤差逐漸達(dá)到最小，給定學(xué)習(xí)率，反向傳播的權(quán)值更新公式為：（3-15）根據(jù)以上原理，BP網(wǎng)絡(luò)實(shí)現(xiàn)分類過(guò)程可以總結(jié)為：1）首先劃分?jǐn)?shù)據(jù)集，每類選取一部分作為訓(xùn)練集訓(xùn)練BP網(wǎng)絡(luò)，一部分為測(cè)試集，驗(yàn)證最終BP網(wǎng)絡(luò)的分類能力。給數(shù)據(jù)加標(biāo)簽，如有五類故障數(shù)據(jù)，則每類故障對(duì)應(yīng)標(biāo)簽。2）構(gòu)造輸出矩陣，將一維類別標(biāo)簽訓(xùn)練集和測(cè)試集標(biāo)簽轉(zhuǎn)換為故障類數(shù)的維度，如表示改樣本屬于第一類，表示該樣本屬于第三類。3）初始化參數(shù)。隨機(jī)更新權(quán)重和閾值，設(shè)置輸入層數(shù)為變量個(gè)數(shù)，輸出層設(shè)置為要?jiǎng)澐值念悇e數(shù)，隱層個(gè)數(shù)按式（3-11）計(jì)算，。4）開(kāi)始訓(xùn)練，按式（3-12）、（3-13）計(jì)算隱層和輸出層輸出，然后根據(jù)（3-14）計(jì)算誤差，不斷更新各層權(quán)重和閾值，直到誤差小于一定值。5）開(kāi)始測(cè)試，將測(cè)試數(shù)據(jù)歸一化，輸入網(wǎng)絡(luò)測(cè)試分類能力。最后輸出矩陣中，包含屬于每一類的可能值，按最大值的劃分類別，然后將測(cè)試結(jié)果轉(zhuǎn)化為實(shí)際標(biāo)簽進(jìn)行繪圖顯示。本章小結(jié)本章介紹了傳統(tǒng)的故障診斷PCA在故障檢測(cè)與故障根源辨識(shí)方面的建立方法，對(duì)輸入數(shù)據(jù)預(yù)處理后求解協(xié)方差矩陣，并通過(guò)對(duì)協(xié)方差分解，建立主成分和殘差成分，測(cè)試集數(shù)據(jù)在此基礎(chǔ)上構(gòu)建故障檢測(cè)指標(biāo)，在檢測(cè)指標(biāo)的基礎(chǔ)上在構(gòu)建變量貢獻(xiàn)圖。以及介紹傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在分類問(wèn)題的應(yīng)用。本章介紹的內(nèi)容將用于與后面DBN進(jìn)行故障診斷的結(jié)果進(jìn)行對(duì)比?；贒BN的故障診斷方法本章從DBN介紹原理出發(fā)，構(gòu)建DBN算法模型，實(shí)現(xiàn)相應(yīng)功能模型構(gòu)建，通過(guò)和兩個(gè)指標(biāo)完成故障檢測(cè)；然后通過(guò)求連續(xù)偏導(dǎo)數(shù)大致計(jì)算每個(gè)變量對(duì)統(tǒng)計(jì)量中故障指標(biāo)的貢獻(xiàn)率；最后介紹如何建立有監(jiān)督DBN模型的方法，實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的分類。DBN的基本原理DBN是深度學(xué)習(xí)的一種模型。既可以類似于一個(gè)自編碼機(jī)，通過(guò)無(wú)監(jiān)督過(guò)程實(shí)現(xiàn)對(duì)數(shù)據(jù)的降維與特征提??；也可以在監(jiān)督學(xué)習(xí)中，在頂層輸出數(shù)據(jù)上加softmax層，作為分類器來(lái)使用。受限玻爾茲曼機(jī)玻爾茲曼機(jī)（BoltzmannMachine，BM）[37]可以抽象描述變量之間的相互作用，由力學(xué)定義演變而來(lái)，可以模擬數(shù)據(jù)的概率分布。它由兩層網(wǎng)絡(luò)構(gòu)成，層內(nèi)各神經(jīng)節(jié)點(diǎn)全連接，這種結(jié)構(gòu)下，使BM在實(shí)際使用中計(jì)算量過(guò)大，模型的連接過(guò)于復(fù)雜，難以模擬到所有分布。在此基礎(chǔ)上，為了使BM更具實(shí)用性，優(yōu)化得到了受限玻爾茲曼機(jī)。（1）RBM能量模型受限玻爾茲曼機(jī)（RestrictedBoltzmanMachine，RBM）由顯層和隱層構(gòu)成，層與層間繼承了BM的全連接形式，層內(nèi)各神經(jīng)元之間則互不相關(guān)。如圖4-1是RBM的基本結(jié)構(gòu)。以二值RBM為例，它有隨機(jī)可見(jiàn)單元，隨機(jī)隱藏單元，神經(jīng)元狀態(tài)取“0”和“1”代表未激活和激活兩種狀態(tài)，表示連接權(quán)重，D和F代表可見(jiàn)單元和隱藏單元的數(shù)量。能量函數(shù)的定義為：（4-1）圖4-1RBM模型的基本結(jié)構(gòu)其中是模型參數(shù)，是可見(jiàn)單元的偏置，是隱藏單元的偏置，是和之間的連接權(quán)重。能量函數(shù)為RBM的訓(xùn)練提供了目標(biāo)函數(shù)與目標(biāo)解，兩層網(wǎng)絡(luò)間的聯(lián)合分布，也可以稱為似然函數(shù)，被定義為：（4-2）（4-3）式中Z是系統(tǒng)的分配函數(shù)。因RBM節(jié)點(diǎn)的連接僅存于層間，層內(nèi)各神經(jīng)元條件獨(dú)立，當(dāng)顯層確定時(shí)，可以推導(dǎo)隱層被激活的概率如式4-4。當(dāng)隱層的狀態(tài)確定時(shí)，可以定義顯層的激活概率如式4-5。RBM激活函數(shù)定義如式4-6。（4-4）（4-5）（4-6）（2）RBM訓(xùn)練算法RBM網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是，經(jīng)過(guò)重構(gòu)的數(shù)據(jù)與原始數(shù)據(jù)間的誤差最小，使符合給定數(shù)據(jù)輸入樣本分布的概率最大，此時(shí)輸出數(shù)據(jù)和原始數(shù)據(jù)的擬合度最高，整個(gè)網(wǎng)絡(luò)的能量也達(dá)到最低。將訓(xùn)練集數(shù)據(jù)標(biāo)準(zhǔn)化后賦值給可見(jiàn)層，通過(guò)求可見(jiàn)層的極大對(duì)數(shù)似然函數(shù)來(lái)訓(xùn)練參數(shù)，使式4-7的概率p(v)的值能達(dá)到最大。每個(gè)參數(shù)的最佳值可使用以下目標(biāo)函數(shù)找到：（4-7）（4-8）訓(xùn)練向量對(duì)數(shù)概率的偏導(dǎo)數(shù)的計(jì)算方法如下：（4-9）（4-10）（4-11）其中代表訓(xùn)練數(shù)據(jù)的期望；代表模型定義的期望。這些樣本可以通過(guò)吉布斯采樣（AlternatingGibbsSampling,AGS）[7]，也被稱為馬爾科夫鏈蒙特羅法（MCMC）計(jì)算出最大似然函數(shù)，而需要花費(fèi)無(wú)窮多步吉布斯采樣，存在訓(xùn)練時(shí)間過(guò)長(zhǎng)、求解緩慢等問(wèn)題。為解決此類問(wèn)題，Hinton等學(xué)者提出了對(duì)比散度（ContrastiveDivergence，CD）算法，也稱算法，當(dāng)時(shí)，即只經(jīng)過(guò)一次吉布斯采樣，就可以實(shí)現(xiàn)很好的訓(xùn)練效果，已成為一種標(biāo)準(zhǔn)方法訓(xùn)練RBMs。如圖4-2所示的步采樣過(guò)程。圖4-2交替吉布斯采樣過(guò)程利用對(duì)比散度算法，可以得到權(quán)值和偏置的更新如式4-12，式中為學(xué)習(xí)率，和為顯層和隱層的重構(gòu)數(shù)據(jù)。具體算法見(jiàn)算法4-1。（4-12）算法4-1CD-1算法輸入：可視向量v，隱藏層單元個(gè)數(shù)，學(xué)習(xí)效率輸出：權(quán)值W、可見(jiàn)層偏置、隱層偏置第一步：初始化連接權(quán)值矩陣W、偏置、偏置第二步：對(duì)所有隱藏層的節(jié)點(diǎn)根據(jù)式（4-5）計(jì)算隱藏層神經(jīng)元激活的概率，并隨機(jī)抽取0-1間的概率值，大于此值激活小于此值則不激活。第三步：根據(jù)上一步隱藏層的狀態(tài)和式（4-6）計(jì)算下一可見(jiàn)神經(jīng)元激活的概率，隨機(jī)二值化，確定可見(jiàn)神經(jīng)元的狀態(tài)。第四步：按照式（4-12）更新參數(shù)值。第五步：判斷當(dāng)前迭代次數(shù)是否到最大值，小于則回到第二步，大于則結(jié)束。高斯RBM在二值RBM的生成過(guò)程中，重構(gòu)后神經(jīng)元狀態(tài)取0或1，這種RBM也稱為伯努利-伯努利（Bernoulli-Bernoulli）RBM，但是若最終輸出需要連續(xù)性的實(shí)值，如本文DBN用于建立故障檢測(cè)指標(biāo)，可見(jiàn)層為實(shí)值輸出，跟據(jù)隱藏層求取可見(jiàn)層不能是根據(jù)的大小，隨機(jī)二值化。需要引入高斯-伯努利（Gaussian-Bernoulli）RBM，對(duì)二值RBM做出一些修改，高斯過(guò)程并不需要精確的范圍，而是取正態(tài)分布的連續(xù)特征，在可視層中引入連續(xù)數(shù)值型高斯噪聲，高斯RBM的能量函數(shù)如式4-15。（4-15）其中是高斯RBM的模型參數(shù)，高斯RBM與二值RBM主要有兩個(gè)地方不同，一是對(duì)能量函數(shù)的定義不同，另一個(gè)是從隱層到可見(jiàn)層的傳遞過(guò)程中，高斯RBM變?yōu)橛酶咚狗植己瘮?shù)為激活函數(shù)。如式4-16、4-17中和可見(jiàn)單元和隱藏單元的概率分布定義被重新定義為：（4-16）（4-17）其中一般為輸入單元的方差。深度置信網(wǎng)絡(luò)深度置信網(wǎng)絡(luò)DBN是一種深度概率模型。DBN的最底層接收經(jīng)過(guò)標(biāo)準(zhǔn)化的數(shù)據(jù)向量，成為第一個(gè)RBM的可見(jiàn)層數(shù)據(jù)，經(jīng)過(guò)RBM轉(zhuǎn)換傳遞數(shù)據(jù)至隱層，即高層RBM的輸入來(lái)自上一層RBM的輸出。然而對(duì)以堆疊RBM訓(xùn)練數(shù)據(jù)的過(guò)程，僅僅是對(duì)原始數(shù)據(jù)的特征提取，要實(shí)現(xiàn)DBN的分類能力，還需將頂層RBM提取的特征數(shù)據(jù)引入分類器，如softmax分類器，分類器需跟整個(gè)DBN一起訓(xùn)練，以擬合用于分類任務(wù)的標(biāo)簽值，此時(shí)DBN由無(wú)監(jiān)督結(jié)構(gòu)變?yōu)橛斜O(jiān)督結(jié)構(gòu)，可以實(shí)現(xiàn)回歸分類。圖4-3兩個(gè)RBM構(gòu)成的DBN如圖4-3是由兩個(gè)RBM堆疊而成的DBN。以兩層網(wǎng)絡(luò)為例，網(wǎng)絡(luò)的聯(lián)合概率分布可表示為：（4-18）其中表示因子化的條件分布由式4-19計(jì)算得到，表示第隱藏層和第隱藏層的連接權(quán)重。：（4-19）整個(gè)DBN網(wǎng)絡(luò)的訓(xùn)練由兩部分構(gòu)成，預(yù)訓(xùn)練和微調(diào)，如圖4-4表示DBN的預(yù)訓(xùn)練和微調(diào)過(guò)程。預(yù)訓(xùn)練即對(duì)連續(xù)的RBM進(jìn)行單獨(dú)訓(xùn)練，使RBM單層最優(yōu)，但并不能使全局DBN網(wǎng)絡(luò)特征輸出最優(yōu)，通常在最后一層疊加反向傳播算法（Backpropagation，BP），對(duì)權(quán)重進(jìn)行微調(diào)。特征生成過(guò)程和重構(gòu)過(guò)程可以看做是是DBN的編碼和解碼過(guò)程。在給定輸入數(shù)據(jù)的情況下，數(shù)據(jù)自下而上傳輸?shù)倪^(guò)程為提取系統(tǒng)特征，從生產(chǎn)的特征數(shù)據(jù)自上而下的過(guò)程可以實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的重構(gòu)。因此在逐層預(yù)訓(xùn)練后，結(jié)合前向傳遞過(guò)程和逆重構(gòu)過(guò)程，然后在整個(gè)網(wǎng)絡(luò)中使用BP算法對(duì)權(quán)重進(jìn)行微調(diào)。訓(xùn)練完成后判斷每個(gè)RBM的參數(shù)是否是最合適值，此時(shí)不會(huì)計(jì)算模型的能量來(lái)判斷系統(tǒng)能量是否最小而達(dá)到最穩(wěn)定的結(jié)構(gòu)，而是采用近似的方法，一般用重構(gòu)誤差，重構(gòu)誤差是指，對(duì)原始的訓(xùn)練樣本進(jìn)行一次吉布斯采樣，返回與初始狀態(tài)一個(gè)維度的數(shù)值，每個(gè)數(shù)值與原始數(shù)據(jù)之間的累計(jì)誤差。圖4-4DBN訓(xùn)練方法基于DBN的故障檢測(cè)通過(guò)無(wú)監(jiān)督的方法訓(xùn)練DBN網(wǎng)絡(luò)，提取正常歷史數(shù)據(jù)的特征來(lái)建立用于判斷設(shè)備狀態(tài)的指標(biāo)，整個(gè)過(guò)程分為離線建模和在線檢測(cè)。用正常工況下的歷史數(shù)據(jù)訓(xùn)練完成DBN模型，完成離線建模過(guò)程，在線檢測(cè)部分實(shí)時(shí)輸入各傳感器采集到的數(shù)據(jù)，以正常歷史數(shù)據(jù)為標(biāo)準(zhǔn)判定正常運(yùn)行或故障發(fā)生。給定一個(gè)由個(gè)測(cè)量變量組成的個(gè)樣本的過(guò)程，首先對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，消除物理量綱不同的影響，常用的歸一化方法如表4-1所示。表4-1常用歸一化方法方法原理值域線性歸一化[0,1]平移縮放歸一化[0,1]標(biāo)準(zhǔn)化歸一化[-1,1]峰值歸一化[-1,1]和值歸一化[-1,1]這里使用的標(biāo)準(zhǔn)化方法為零均值和單位方差，測(cè)試數(shù)據(jù)在歷史訓(xùn)練數(shù)據(jù)的基礎(chǔ)上進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化后數(shù)據(jù)表示為：（4-20）輸入和輸出的特征的數(shù)據(jù)類型要求為實(shí)值，輸入數(shù)據(jù)通過(guò)零均值單位方差近似化為高斯單位，輸出數(shù)據(jù)通過(guò)頂層高斯RBM提取特征輸出高斯單位，中間隱藏單位類型為二進(jìn)制。為了從測(cè)量變量中充分提取有用的特征信息，防止噪聲信號(hào)過(guò)擬合，需要根據(jù)實(shí)際數(shù)據(jù)特征維數(shù)確定特征層的大小。第一層RBM神經(jīng)元個(gè)數(shù)應(yīng)適當(dāng)大于輸入維數(shù)以充分提取特征，隨著RBM層數(shù)加深適當(dāng)減少神經(jīng)元個(gè)數(shù)以降維提取特征。當(dāng)尺寸太小時(shí)，DBN不合適。層數(shù)太多容易使DBN是過(guò)度擬合。訓(xùn)練將特征層大小從1到m的DBNs，分別計(jì)算均方誤差（meansquarederror，MSE）。將最小均方誤差快變和慢變的拐點(diǎn)設(shè)定為特征層的大小。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定后，在給定歸一化數(shù)據(jù)X的情況下，采用CD算法從下到上逐層迭代更新權(quán)值。然后以輸入數(shù)據(jù)和重構(gòu)數(shù)據(jù)之間的MSE作為評(píng)價(jià)此DBN模型指標(biāo)，通過(guò)BP反向傳播完成DBN的微調(diào)。在線檢測(cè)數(shù)據(jù)通過(guò)DBN多層非線性網(wǎng)絡(luò)將m維輸入測(cè)量變量變換到n維特征子空間中，得到特征變量，并由相同的網(wǎng)絡(luò)從特征變量中導(dǎo)出重構(gòu)變量。因此，DBN可以將輸入變量分解為與正態(tài)系統(tǒng)相關(guān)的重構(gòu)變量和與噪聲相關(guān)的殘差變量。殘差變量表示為：（4-21）重構(gòu)變量可以用特征變量非線性表示，故障信息可以在特征變量和殘差變量上出現(xiàn)。統(tǒng)計(jì)量是由霍特林提出的，在多變量生產(chǎn)中檢測(cè)過(guò)程狀況。反映了實(shí)時(shí)數(shù)據(jù)在變化趨勢(shì)和幅值上偏離模型的程度；統(tǒng)計(jì)量是輸入變量的重構(gòu)值對(duì)樣本數(shù)據(jù)的歐式距離，描述傳感器采集到實(shí)時(shí)數(shù)據(jù)的偏離程度，是對(duì)模型外部變化的一種度量和檢驗(yàn)統(tǒng)計(jì)量通過(guò)特征變量和殘差變量來(lái)檢測(cè)過(guò)程的異常變化。檢驗(yàn)統(tǒng)計(jì)量表示為：（4-22）協(xié)方差矩陣可近似為：（4-23）其中表示歷史數(shù)據(jù)通過(guò)DBN網(wǎng)絡(luò)提取的的個(gè)特征的個(gè)樣本變量。SPE測(cè)試統(tǒng)計(jì)數(shù)據(jù)表示為：（4-24）故障檢測(cè)的閾值均建立在正常訓(xùn)練數(shù)據(jù)上，可以用給定的置信水平分別確定，如下所示：（4-25）（4-26）其中,表示具有個(gè)自由度的卡方分布，表示用戶指定的顯著性水平。和分別由和確定，其中表示的平均值，表示檢驗(yàn)統(tǒng)計(jì)量的方差。因此，檢測(cè)邏輯是：（4-27）檢測(cè)指標(biāo)控制限確定后，計(jì)算故障檢測(cè)相關(guān)指標(biāo)，故障檢測(cè)率（Faultdetectionrate，F(xiàn)DR）和故障誤報(bào)率（Falsealarmrate，F(xiàn)AR）定義如下：（4-28）（4-29）基于DBN的故障根源辨識(shí)檢測(cè)出有故障后，還需要確定是那些變量引起異常波動(dòng)，從而完成故障的定位。在建立基于DBN的故障檢測(cè)模型后，得到和兩個(gè)統(tǒng)計(jì)量檢測(cè)指標(biāo)，本文主要用貢獻(xiàn)圖法，根據(jù)統(tǒng)計(jì)量來(lái)完成故障辨識(shí)?；谥笜?biāo)，通過(guò)求每層網(wǎng)絡(luò)函數(shù)對(duì)相應(yīng)變量的鏈?zhǔn)竭B續(xù)偏導(dǎo)數(shù)，求解特征變量對(duì)統(tǒng)計(jì)量的非線性映射，來(lái)衡量特征變量對(duì)故障數(shù)據(jù)的重要性，最終識(shí)別在非線性數(shù)據(jù)下的故障變量。假設(shè)用于故障檢測(cè)的DBN模型由兩層RBM構(gòu)成，實(shí)時(shí)檢測(cè)數(shù)據(jù)由構(gòu)成。DBN中統(tǒng)計(jì)量由式4-確定。則中第個(gè)征變量對(duì)的貢獻(xiàn)率可由式4-28確定。（4-28）式中表示第二層RBM數(shù)據(jù)轉(zhuǎn)換后的輸出，表示第一層RBM數(shù)據(jù)轉(zhuǎn)換后的輸出。根據(jù)DBN在故障檢測(cè)建立的模型，可以確定兩層RBM的輸出如式4-29、4-30所示。（4-29）（4-30）式4-29中和分別表示第一個(gè)RBM的訓(xùn)練完成的由顯層計(jì)算隱含層的權(quán)重值和偏置值。式4-30中和分別表示第二個(gè)RBM訓(xùn)練完成的由顯層計(jì)算隱含層的權(quán)重值和偏置值。和表示兩個(gè)RBM的激活層函數(shù)，激活函根據(jù)輸出數(shù)據(jù)格式來(lái)選擇，若輸出為二值RBM的概率數(shù)據(jù)，則激活函數(shù)選擇sigmoid函數(shù)。若輸出數(shù)據(jù)為高斯單位，則選擇線性單元作為激活函數(shù)。求出每個(gè)變量在某時(shí)刻的貢獻(xiàn)值后，繪制貢獻(xiàn)圖，通過(guò)直方圖直觀對(duì)比顯示每個(gè)變量貢獻(xiàn)大小，根據(jù)貢獻(xiàn)值大的確定引起故障的主要部分，完成故障定位辨識(shí)。DBN無(wú)監(jiān)督下的檢測(cè)和辨識(shí)模型流程圖如圖4-5所示。圖4-5DBN的故障檢測(cè)、辨識(shí)流程圖基于DBN的故障分類方法DBN通過(guò)堆疊RBM實(shí)現(xiàn)特征的提取是個(gè)無(wú)監(jiān)督過(guò)程，模型建立過(guò)程與DBN故障檢測(cè)過(guò)程類似，要實(shí)現(xiàn)分類問(wèn)題，需要在頂層RBM輸出數(shù)據(jù)加Softmax分類層，實(shí)現(xiàn)DBN的有監(jiān)督分類。Softmax屬于線性分類器，其分類器模型如圖4-6所示，其函數(shù)如式4-31所示,式中，表示輸入分類器數(shù)值數(shù)據(jù)組成的向量（4-31）圖4-6Softmax分類器結(jié)構(gòu)圖中為頂層RBM輸出的維特征數(shù)據(jù)，是一個(gè)由在范圍內(nèi)的概率值組成的向量，為類別標(biāo)簽，對(duì)類故障數(shù)據(jù)集進(jìn)行訓(xùn)練，Softmax層訓(xùn)練數(shù)據(jù)集為：。則Softmax假設(shè)函數(shù)如下：（4-32）其中為模型參數(shù)，樣本屬于第類的概率值為：（4-33）RBM的損失函數(shù)是MSE，而Softmax的損失函數(shù)一般為交叉熵，其損失函數(shù)定義為：（4-34）Softmax將輸出非線性放大到，擴(kuò)大了數(shù)值之間的差距，降低了分類的訓(xùn)練難度。與其它分類器如SVM、BP分類器不同的是，Softmax最終得到一個(gè)概率值，不需要再進(jìn)行比較分類，輸出直接可以為分類的概率。訓(xùn)練DBN用于分類，首先需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，這里使用的預(yù)處理方法為線性歸一化將輸入數(shù)據(jù)映射到[0,1]內(nèi)。如圖4-7所示一個(gè)三層DBN分類的結(jié)構(gòu)。RBM由底層開(kāi)始訓(xùn)練，頂層RBM與Softmax分類回歸層相連接，分類層與RBM一起進(jìn)行預(yù)訓(xùn)練。為了提升整個(gè)模型的分類能力，還須采用BP算法來(lái)提升分類效果。BP包括前向傳播和誤差反向調(diào)節(jié)過(guò)程，在反向調(diào)節(jié)過(guò)程中根據(jù)測(cè)試集實(shí)際類別標(biāo)簽與預(yù)測(cè)輸出之間的差值，根據(jù)softmax的損失函數(shù)通過(guò)梯度下降的方法來(lái)更新參數(shù)。DBN的連接結(jié)構(gòu)和分類器訓(xùn)練過(guò)程如4-7所示。故障準(zhǔn)確率的計(jì)算公式為：（4-35）圖4-7DBN分類基本結(jié)構(gòu)本章小結(jié)本章主要介紹DBN模型的原理，并介紹了將DBN模型用于故障檢測(cè)、辨識(shí)、分類的具體方法。CD-1算法通過(guò)一次交替吉布斯采樣實(shí)現(xiàn)對(duì)單個(gè)RBM的訓(xùn)練，堆疊后反向微調(diào)，實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)的架構(gòu)建立。DBN的故障檢測(cè)指標(biāo)在正常訓(xùn)練數(shù)據(jù)的基礎(chǔ)上建立，用正常數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)后，用測(cè)試數(shù)據(jù)建立和兩個(gè)統(tǒng)計(jì)指標(biāo)。DBN的分類模型，不同于特征提取的無(wú)監(jiān)督過(guò)程，則需在檢測(cè)模型的基礎(chǔ)上加Softmax回歸層，加入標(biāo)簽后分類器和網(wǎng)絡(luò)一起訓(xùn)練，并通過(guò)BP梯度下降法根據(jù)誤差，調(diào)節(jié)權(quán)重與偏置，建立DBN的有監(jiān)督分類模型。熱連軋過(guò)程應(yīng)用本章根據(jù)第四章的原理與方法，構(gòu)建DBN網(wǎng)絡(luò)模型實(shí)現(xiàn)在故障檢測(cè)與分類，并實(shí)際數(shù)據(jù)上進(jìn)行驗(yàn)證。本章首先對(duì)帶鋼熱連軋過(guò)程進(jìn)行描述，并將所提的DBN方法應(yīng)用于帶鋼熱連軋過(guò)程案例仿真驗(yàn)證；其次根據(jù)檢測(cè)結(jié)果完成對(duì)故障的根源辨識(shí)驗(yàn)證。最后將DBN方法的分類情況與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果進(jìn)行對(duì)比，以驗(yàn)證DBN與傳統(tǒng)方法相比具有有效性和優(yōu)越性。帶鋼熱連軋過(guò)程描述帶鋼熱連軋過(guò)程作為鋼鐵生產(chǎn)的重要環(huán)節(jié)，有設(shè)備結(jié)構(gòu)復(fù)雜，控制回路和過(guò)程變量眾多的特點(diǎn)，并且在極端環(huán)境下連續(xù)生產(chǎn),一些大功率、大負(fù)荷設(shè)備容易因設(shè)備老化、制造工藝或軟件等原因出現(xiàn)故障,導(dǎo)致生產(chǎn)效率低或者生產(chǎn)質(zhì)量不好。這些變量和回路之間互相影響，會(huì)影響最終的產(chǎn)品質(zhì)量，熱連軋過(guò)程故障在實(shí)際過(guò)程中具有動(dòng)態(tài)性非線性等特性，相比一般工業(yè)，其故障診斷要更加困難，無(wú)法按照傳統(tǒng)方法進(jìn)行生產(chǎn)過(guò)程和設(shè)備的故障診斷，因此通過(guò)更加有效智能的方法保障生產(chǎn)過(guò)程安全可靠的運(yùn)行是亟待解決的問(wèn)題。圖5-1熱連軋機(jī)組原理圖帶鋼熱連軋可分為如圖5-1所示六個(gè)子過(guò)程：加熱爐的加熱質(zhì)量對(duì)帶鋼質(zhì)量影響很大，加熱后進(jìn)入粗軋機(jī)，將熱板坯加工成適合于精軋機(jī)的軋制的中間帶坯，在經(jīng)過(guò)飛剪除鱗等工序后進(jìn)入軋鋼的核心部分精軋機(jī)組，產(chǎn)品的性能主要取決于精軋機(jī)終軋溫度和卷曲溫度，精軋后經(jīng)過(guò)層流冷卻再經(jīng)卷曲成最終鋼卷。精軋機(jī)組一般由七個(gè)機(jī)架構(gòu)成，每個(gè)機(jī)架兩側(cè)有支撐輥，中間有一對(duì)工作輥。為保證帶鋼出口溫度、厚度、板型等達(dá)到質(zhì)量要求，軋機(jī)系統(tǒng)一般配置系統(tǒng)自動(dòng)厚度控制系統(tǒng)、自動(dòng)版型控制系統(tǒng)和溫度控制系統(tǒng)，使得成品帶鋼的寬度、厚度、溫度和表面質(zhì)量等產(chǎn)品參數(shù)滿足生產(chǎn)要求。精軋機(jī)組后一般裝配有各類儀表和傳感器，以獲得實(shí)時(shí)質(zhì)量檢測(cè)數(shù)據(jù)來(lái)確定各個(gè)環(huán)節(jié)變量的工作情況。本以1700mm帶鋼熱連軋生產(chǎn)線采集的數(shù)據(jù)為例。如表5-1所示，選取七個(gè)機(jī)架的輥縫、軋制力和彎輥力以及厚度，共二十個(gè)過(guò)程變量與一個(gè)與厚度有關(guān)的質(zhì)量變量來(lái)驗(yàn)證本文所使用的基于DBN的故障診斷算法的有效性。表5-1精軋過(guò)程檢測(cè)變量選取變量類型描述單位G1~G7過(guò)程變量機(jī)架的平均輥縫，mmTF1~TF7過(guò)程變量機(jī)架的總軋制力，MNB2~B7過(guò)程變量機(jī)架的彎輥力，MNy質(zhì)量精軋出口厚度mm故障檢測(cè)驗(yàn)證本節(jié)使用正常樣本數(shù)據(jù)訓(xùn)練DBN網(wǎng)絡(luò)，選擇六組故障數(shù)據(jù)作為測(cè)試數(shù)據(jù)，來(lái)驗(yàn)證模型的檢測(cè)效果，故障描述如表5-2所示。表5-2帶鋼熱連軋精軋過(guò)程故障故障編號(hào)故障描述故障開(kāi)始的采樣點(diǎn)1第5機(jī)架彎輥力傳感器故障10012第2和3機(jī)架間冷卻水閥的執(zhí)行器故障10013第4機(jī)架輥縫控制失敗20014第2和3機(jī)架間冷卻水閥的執(zhí)行器故障40015第3號(hào)機(jī)架輥縫控制失敗20016第4和5機(jī)架間輥縫控制失敗2001在Matlab搭建DBN網(wǎng)絡(luò)模型過(guò)程驗(yàn)證中，發(fā)現(xiàn)兩層RBM就有不錯(cuò)的數(shù)據(jù)特征提取和網(wǎng)絡(luò)訓(xùn)練收斂效果，且訓(xùn)練速度也較快，于是選擇兩層RBM構(gòu)成的DBN來(lái)建立故障檢測(cè)模型。設(shè)置的節(jié)點(diǎn)個(gè)數(shù)分別為30-10，即輸入21維的樣本，最終提取10維的特征數(shù)據(jù)。兩個(gè)RBM訓(xùn)練次數(shù)都是300次。兩層RBM的部分參數(shù)如表5-3所示。將設(shè)定的樣本分成20批訓(xùn)練，單個(gè)RBM訓(xùn)練次數(shù)設(shè)置為300次，學(xué)習(xí)率設(shè)置為0.001，過(guò)程檢測(cè)置信度設(shè)置為95%。表5-3兩層RBM部分參數(shù)設(shè)置層數(shù)迭代次數(shù)輸出層激活函數(shù)學(xué)習(xí)率第一個(gè)RBM30300Sigmoid0.001第二個(gè)RBM10300liner0.0011）對(duì)故障1的檢測(cè)故障1是機(jī)架彎輥力故障。即第機(jī)架彎輥力的傳感器測(cè)量值突變，進(jìn)而引起后面兩個(gè)機(jī)架的彎輥力受影響發(fā)生跳變。圖5-3展示了DBN和PCA對(duì)故障1的檢測(cè)結(jié)果，故障發(fā)生在第1001個(gè)樣本點(diǎn)，基于DBN的和兩個(gè)指標(biāo)都能較好的檢測(cè)到故障，能在第1001個(gè)樣本點(diǎn)及時(shí)檢測(cè)到故障發(fā)生，PCA的統(tǒng)計(jì)量的的檢測(cè)率僅為為8.3%，不能有效的檢測(cè)故障。（a）DBN（b）PCA圖5-2故障1檢測(cè)結(jié)果（a）DBN(b)PCA2）對(duì)故障2的檢測(cè)故障2是第2、3個(gè)機(jī)架間冷卻水閥執(zhí)行器故障，該故障會(huì)使第2、3個(gè)機(jī)架的平均輥縫發(fā)生變化，引起變量和在第1001個(gè)樣本點(diǎn)發(fā)生突變。如圖5-3展示了DBN和PCA對(duì)故障2的檢測(cè)結(jié)果，故障發(fā)生在第1001個(gè)樣本點(diǎn)，基于DBN和PCA的方法都能夠及時(shí)檢測(cè)到故障，但是統(tǒng)計(jì)量均出現(xiàn)了不同程度的延時(shí)，未能在第1001個(gè)樣本點(diǎn)處及時(shí)檢測(cè)到故障，PCA的方法延時(shí)比DBN方法的延時(shí)稍長(zhǎng)，所以DBN的方法FDR要大于基于PCA的方法，DBN的FDR為83%，而PCA的FDR為63.6%，DBN的檢測(cè)效果更好。（a）DBN（b）PCA圖5-3故障2檢測(cè)結(jié)果（a）DBN(b)PCA對(duì)故障3的檢測(cè)故障3是機(jī)架液壓壓下輥縫控制失效，相當(dāng)于變量在第2001個(gè)樣本點(diǎn)引入故障，進(jìn)而影響了變量。圖5-4展示了DBN和PCA對(duì)故障3的檢測(cè)結(jié)果，故障發(fā)生在第2001個(gè)樣本點(diǎn)，基于DBN和PCA的方法都能夠及時(shí)檢測(cè)到故障，且檢測(cè)效果都比較好。（a）DBN（b）PCA圖5-4故障3檢測(cè)結(jié)果（a）DBN(b)PCA對(duì)故障4的檢測(cè)故障4為冷卻水閥執(zhí)行器故障，故障在第4001個(gè)采樣點(diǎn)引入，因?yàn)檫\(yùn)行初數(shù)值波動(dòng)太大，使兩個(gè)統(tǒng)計(jì)量的初始值計(jì)算結(jié)果太大，影響對(duì)兩個(gè)統(tǒng)計(jì)量的觀測(cè)，因此從第1001個(gè)采樣點(diǎn)開(kāi)始繪制統(tǒng)計(jì)量圖，如圖5-5是DBN和PCA對(duì)故障4的檢測(cè)結(jié)果，基于DBN的方法可以及時(shí)兩種統(tǒng)計(jì)量均可以及時(shí)監(jiān)測(cè)到故障的發(fā)生，而PCA的方法統(tǒng)計(jì)量監(jiān)測(cè)完全失效。DBNPCA圖5-5故障4檢測(cè)結(jié)果（a）DBN(b)PCA對(duì)故障5的檢測(cè)故障5是第3號(hào)機(jī)架輥縫控制失敗故障，故障在第2001個(gè)采樣點(diǎn)引入，如圖5-5是DBN和PCA對(duì)故障5的檢測(cè)結(jié)果，基于DBN的方法統(tǒng)計(jì)量值稍有延時(shí)，檢測(cè)率FDA值為90.4%，兩個(gè)監(jiān)測(cè)指標(biāo)效果都比較好，而PCA方法的統(tǒng)計(jì)量檢測(cè)率只有41.4%，可以判定為檢測(cè)失效。DBN（b）PCA圖5-6故障5檢測(cè)結(jié)果（a）DBN(b)PCA對(duì)故障6的檢測(cè)第六個(gè)故障是第4和5機(jī)架間輥縫控制失敗，故障在第2001個(gè)樣本點(diǎn)引入，如圖5-7是DBN和PCA對(duì)故障6的檢測(cè)結(jié)果，DBN方法的和統(tǒng)計(jì)量都有不錯(cuò)的效果，而PCA方法的統(tǒng)計(jì)量檢測(cè)率只有67.2%，沒(méi)有很好的檢測(cè)出故障，判定為失效。DBN（b）PCA圖5-7故障6檢測(cè)結(jié)果（a）DBN(b)PC將兩種方法的六組故障情況的故障檢測(cè)率FDR和誤報(bào)率FAR列在表5-3中，進(jìn)行對(duì)比。表5-3六組故障數(shù)據(jù)故障檢測(cè)的FDR和FAR（）DBNPCAFDR1991009.3100285.510063.6100345610097.790.497.7100100100100100041.467.210010097.197.8FAR13.02.63.53.225.93.65.56.3345614.65.413.213.44.06.11.83.914.22.35.44.24.55.57.14.6從表5-3中可以看出，將DBN和PCA的方法對(duì)比，可以發(fā)現(xiàn)，對(duì)于三種故障，基于DBN的方法均能有效檢測(cè)出故障，而對(duì)于故障類型1、2基于PCA的統(tǒng)計(jì)量方法不能有效檢測(cè)出故障，通過(guò)對(duì)比DBN的方法的故障檢測(cè)效果好于基于PCA的方法，驗(yàn)證了基于DBN方法的有效性。故障根源辨識(shí)驗(yàn)證根據(jù)第四章所介紹的方法，在用DBN實(shí)現(xiàn)故障檢測(cè)的基礎(chǔ)上，利用統(tǒng)計(jì)量，逐層推導(dǎo)原始變量數(shù)據(jù)的貢獻(xiàn)值，并用貢獻(xiàn)圖的形式表現(xiàn)出來(lái)。1）對(duì)故障1的辨識(shí)結(jié)果故障1是機(jī)架彎輥力傳感器故障，機(jī)架對(duì)應(yīng)變量值會(huì)突然上升，進(jìn)而后面兩個(gè)機(jī)架相應(yīng)變量和變量都會(huì)受到影響。在第1001個(gè)采樣點(diǎn)引入故障。計(jì)算貢獻(xiàn)值后，將結(jié)果歸一化處理，如圖5-8表示故障1數(shù)據(jù)集中第1500個(gè)樣本點(diǎn)的貢獻(xiàn)圖，由圖可以看出變量有較大的貢獻(xiàn)度，而也被識(shí)別成故障相關(guān)變量，而第一個(gè)機(jī)架的總軋制力并不會(huì)被此故障影響，可能會(huì)出現(xiàn)故障定位錯(cuò)誤的結(jié)果。圖5-5展示了全過(guò)程辨識(shí)結(jié)果，顏色越接近黃色表示故障貢獻(xiàn)率越大，可以看出變量、、顏色都比較深，被判斷為故障相關(guān)變量，但是存在某些變量被誤判的情況。圖5-8故障1第1500個(gè)樣本點(diǎn)貢獻(xiàn)圖圖5-9故障1全過(guò)程故障辨識(shí)圖2）對(duì)故障2的辨識(shí)結(jié)果故障2為冷卻水閥的執(zhí)行器故障，故障在第1001個(gè)采樣點(diǎn)引入，該故障首先會(huì)使值發(fā)生跳變，進(jìn)而影響后一個(gè)機(jī)架的輥縫。如圖5-10所示為第1800個(gè)樣本點(diǎn)各變量對(duì)的貢獻(xiàn)值，由圖可以看出的貢獻(xiàn)值最大，的貢獻(xiàn)值較大，可以被辨識(shí)出來(lái)，而的值略小，并沒(méi)有被辨識(shí)出來(lái)，其他被判定為較大貢獻(xiàn)值的如和，并沒(méi)有被故障2所影響，會(huì)出現(xiàn)誤判的情況。圖5-10故障2第1800個(gè)采樣點(diǎn)貢獻(xiàn)值2）對(duì)故障3的辨識(shí)結(jié)果故障3是機(jī)架液壓壓下輥縫控制失效，該故障會(huì)引起為在第2001個(gè)樣本點(diǎn)數(shù)值異常增長(zhǎng)，如圖5-11所示為第1800個(gè)樣本點(diǎn)中各變量對(duì)的貢獻(xiàn)值，該圖顯示可被辨識(shí)為故障的四個(gè)變量分別為、、、，故障主要點(diǎn)可以被辨識(shí)出來(lái)，但是不受影響的變量也存在被誤判為故障的情況。圖5-11故障3第1800個(gè)采樣點(diǎn)貢獻(xiàn)值通過(guò)結(jié)果可知，通過(guò)DBN方法對(duì)統(tǒng)計(jì)量層層求偏導(dǎo)，計(jì)算每個(gè)變量在某個(gè)采樣的貢獻(xiàn)值，通過(guò)繪制貢獻(xiàn)圖觀察某時(shí)刻采樣點(diǎn)的貢獻(xiàn)值，由于故障的擴(kuò)散效應(yīng)，只能初步判斷定位故障，不能很準(zhǔn)確的指出主要變量，還需要過(guò)程變量的機(jī)理知識(shí)分析，來(lái)實(shí)現(xiàn)更為精確的故障定位。故障分類驗(yàn)證本節(jié)利用第四章節(jié)方法用MATLAB編寫(xiě)代碼，分別建立由2、3、4層RBM組成的DBN模型用于故障分類，測(cè)試DBN的分類情況。并與二章節(jié)基于BP神經(jīng)網(wǎng)絡(luò)的分類結(jié)果進(jìn)行對(duì)比。選取的熱連軋工藝流程中五類故障數(shù)據(jù)與一類正常數(shù)據(jù)作為分類對(duì)象，正常數(shù)據(jù)選取第一類故障對(duì)應(yīng)的鋼種在正常情況下軋制情況的采集樣本。首先制作數(shù)據(jù)集，選取每類故障數(shù)據(jù)故障部分中的的500-600組樣本作為測(cè)試數(shù)據(jù)，1000的故障樣本用于訓(xùn)練模型，組成最終訓(xùn)練集的6000個(gè)樣本，測(cè)試集3000組樣本，數(shù)據(jù)樣本集，給五類故障數(shù)據(jù)加標(biāo)簽分別標(biāo){0,1,2,3,4}，正常數(shù)據(jù)對(duì)應(yīng)標(biāo)簽為5。1）兩層RBM構(gòu)成的DBN分類設(shè)置兩層RBM用于特征提取，第一個(gè)RBM隱含層層數(shù)設(shè)置為30，第二個(gè)為6，學(xué)習(xí)率設(shè)置為0.1。如圖5-12所示是兩層RBM進(jìn)行分類的結(jié)果，第二類故障末尾一些數(shù)據(jù)被錯(cuò)誤的劃分到了第三類故障中，第四類故障有幾個(gè)樣本點(diǎn)被錯(cuò)誤的劃分到第五類故障中，但是總體分類效果還是比較好。經(jīng)過(guò)多次驗(yàn)證，分類準(zhǔn)確率在97%左右，由此可見(jiàn)，兩層RBM進(jìn)行分類測(cè)試，可以充分提取特征信息并進(jìn)行分類，且整個(gè)網(wǎng)絡(luò)的訓(xùn)練時(shí)間比較快。圖5-12兩層RBM構(gòu)成DBN分類結(jié)果（2）三層RBM構(gòu)成的DBN訓(xùn)練三層RBM進(jìn)行分類，由底層至輸出層，隱含層層數(shù)分別設(shè)置為40、20、6，學(xué)習(xí)率設(shè)置為0.1。如圖5-13所示是兩層RBM進(jìn)行分類的結(jié)果，第二類故障一些數(shù)據(jù)被錯(cuò)誤的劃分到了第三類故障中，第四類故障有幾個(gè)樣本點(diǎn)被錯(cuò)誤的劃分到第五類故障中。經(jīng)過(guò)多次驗(yàn)證，分類準(zhǔn)確率均在98%左右，由此可見(jiàn)，三層RBM進(jìn)行分類的效果比較好，且訓(xùn)練時(shí)間也比較短。圖5-13三層RBM構(gòu)成DBN分類結(jié)果（3）四層RBM構(gòu)成的DBN訓(xùn)練建立四層RBM進(jìn)行分類，由底層至輸出層，隱含層層數(shù)分別設(shè)置為50、30、20、6。分類結(jié)果如圖5-14所示，有第四類故障中有較多樣本點(diǎn)被劃分在第五類故障中。經(jīng)過(guò)多次測(cè)試結(jié)果驗(yàn)證，準(zhǔn)確率均穩(wěn)定在94%左右，可以看出四層神經(jīng)網(wǎng)絡(luò)的分類能力較兩層和三層出現(xiàn)了下降，訓(xùn)練時(shí)間也相對(duì)較長(zhǎng)，所以四層RBM網(wǎng)絡(luò)組成的DBN在此數(shù)據(jù)集中不是最佳層數(shù)選擇。圖5-14四層RBM構(gòu)成DBN分類結(jié)果(4)BP分類情況通過(guò)第二章介紹的BP神經(jīng)網(wǎng)絡(luò)分類方法，建立BP神經(jīng)網(wǎng)絡(luò)，并用與DBN分類同樣的故障數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，然后用測(cè)試集驗(yàn)證網(wǎng)絡(luò)的分類能力，網(wǎng)絡(luò)的層數(shù)分別設(shè)置為21、12、6。其分類結(jié)果如圖5-15所示，第三類故障有較多樣本點(diǎn)未被與第二類故障分離，多次訓(xùn)練后準(zhǔn)確率均在91%左右。圖5-15BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果將DBN三種層數(shù)的分類結(jié)果與BP神經(jīng)網(wǎng)絡(luò)分別經(jīng)過(guò)10次測(cè)量，將分類的準(zhǔn)確率平均值結(jié)果列在表5-4中，四種情況下的分類準(zhǔn)確率，均達(dá)到了90%，且三層RBM的準(zhǔn)確率最高，訓(xùn)練時(shí)間也比較短，驗(yàn)證了DBN方法對(duì)故障分類的有效性。表5-4不同參數(shù)DBN與BP分類準(zhǔn)確率對(duì)比（%）兩層RBM三層RBM四層RBMBP分類準(zhǔn)確率97.298.194.091.4本章小結(jié)本章是前幾章所述方法的驗(yàn)證。首先介紹了鋼鐵生產(chǎn)的重要環(huán)節(jié)帶鋼熱連軋過(guò)程，設(shè)備結(jié)構(gòu)復(fù)雜，過(guò)程變量眾多，在實(shí)際過(guò)程中具有動(dòng)態(tài)性、非線性等特性。并對(duì)熱連軋工況中常出現(xiàn)的六組故障，用熱連軋過(guò)程中的數(shù)據(jù)集分別驗(yàn)證DBN進(jìn)行故障檢測(cè)、辨識(shí)，并進(jìn)一步劃分故障種類數(shù)據(jù)集，將五類故障數(shù)據(jù)與一類正常數(shù)據(jù)進(jìn)行分類測(cè)試，驗(yàn)證DBN模型對(duì)故障種類判斷的能力。實(shí)驗(yàn)結(jié)果表明，本文所用的方法DBN可以有效實(shí)現(xiàn)對(duì)故障的檢測(cè)分類，且均優(yōu)于傳統(tǒng)方法。在故障辨識(shí)方面雖然可以定位到引起故障發(fā)生的變量，但是可能會(huì)誤判斷與故障無(wú)關(guān)的變量，需借助故障機(jī)理等來(lái)實(shí)現(xiàn)更精確的定位。在分類方面，以三層RBM構(gòu)成的DBN分類效果最佳，三層RBM相比于兩層，可以更充分的提取數(shù)據(jù)特征，相比于四層，可以縮短訓(xùn)練時(shí)間。結(jié)論故障檢測(cè)與診斷技術(shù)對(duì)現(xiàn)代機(jī)械設(shè)備正常運(yùn)行具有重要意義，而基于數(shù)據(jù)驅(qū)動(dòng)的方法，以其對(duì)數(shù)據(jù)的強(qiáng)大處理能力被廣泛研究應(yīng)用，其分支眾多，在科技與大數(shù)據(jù)發(fā)展的推動(dòng)下，越來(lái)越多的方法被研究用來(lái)解決復(fù)雜過(guò)程、高維復(fù)雜數(shù)據(jù)的問(wèn)題。本文主要用深度學(xué)習(xí)領(lǐng)域中的DBN，實(shí)現(xiàn)非線性過(guò)程故障診斷。DBN由玻爾茲曼機(jī)發(fā)展而來(lái)，高斯RBM的引入使它可以應(yīng)用于獲得連續(xù)實(shí)值的情況下，且其可以用于無(wú)監(jiān)督和有監(jiān)督過(guò)程的性能，使它容易拓展功能。本文工作主要如下：（1）重點(diǎn)介紹了DBN模型，DBN是由玻爾茲曼機(jī)發(fā)展而來(lái)的概率模型，在了解DBN實(shí)現(xiàn)診斷的原理和算法基礎(chǔ)上，通過(guò)Matlab編寫(xiě)代碼實(shí)現(xiàn)DBN模型架構(gòu)。包含通過(guò)CD-1算法，用一次吉布斯采樣訓(xùn)練單個(gè)RBM，RBM堆疊逐層預(yù)訓(xùn)練整個(gè)DBN網(wǎng)絡(luò)，最終經(jīng)過(guò)反向微調(diào)權(quán)值，實(shí)現(xiàn)特征提取。（2）用DBN實(shí)現(xiàn)故障檢測(cè)、辨識(shí)、分類。此過(guò)程將DBN的模型拓展為兩個(gè)功能，一是自編碼器用于特征提取，而是分類器實(shí)現(xiàn)分類。用和兩個(gè)指標(biāo)實(shí)現(xiàn)故障檢測(cè)，的實(shí)現(xiàn)是基于最后一層輸出的特征，的實(shí)現(xiàn)是將數(shù)據(jù)進(jìn)行編碼又解碼，回歸和原始數(shù)據(jù)一個(gè)維度的重構(gòu)結(jié)果。故障辨識(shí)是從結(jié)果鏈?zhǔn)角笃珜?dǎo)，其基本思想是DBN網(wǎng)絡(luò)每層特征傳遞非線性映射。然后通過(guò)加Softmax分類層，將無(wú)監(jiān)督的特征提取模型，變?yōu)橛斜O(jiān)督的分類模型。最后用在帶鋼熱連軋實(shí)際工況中的數(shù)據(jù)進(jìn)行驗(yàn)證，用正常數(shù)據(jù)訓(xùn)練整個(gè)網(wǎng)絡(luò)，再用故障數(shù)據(jù)檢測(cè)性能，與傳統(tǒng)PCA故障檢測(cè)、BP方法對(duì)比證明DBN在故障診斷方面有更高的有效性。DBN在特征提取與模式識(shí)別方面具有獨(dú)特的優(yōu)勢(shì)，但也存在一些不足，本文的不足一是在于，由于缺乏有力的理論支持，模型的參數(shù)如層數(shù)、每個(gè)RBM的迭代次數(shù)，在選擇時(shí)主觀性較強(qiáng)，需要自己調(diào)試才能確定合適的值。二是在辨識(shí)方面，由于二值RBM隨機(jī)激活，可能對(duì)辨識(shí)結(jié)果有影響，以至于不能準(zhǔn)確的定位故障。因此我對(duì)DBN的了解還需要加深，比如如何引入稀疏RBM、加入正則化，來(lái)提升DBN的特征提取性能。-PAGE49-參考文獻(xiàn)吳今培.智能故障診斷技術(shù)的發(fā)展和展望[J].振動(dòng).測(cè)試與診斷,1999(02):1-8+69.李晗,蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J].控制與決策,2011,26(1):1-9.張妮,車立志,吳小進(jìn).基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)研究現(xiàn)狀及展望[J].計(jì)算機(jī)科學(xué),2017,44(z1):37-42.KaiZhong,MinHan,BingHan.Data-DrivenBasedFaultPrognosisforIndustrialSystems:AConciseOverview[J].IEEE/CAAJournalofAutomaticaSinica,2020,7(02):330-345.鄭英,胡修林,方華京,王輝.基于觀測(cè)器的網(wǎng)絡(luò)化控制系統(tǒng)故障診斷方法[J].系統(tǒng)工程與電子技術(shù),2005(06):1069-1072.任章,李清東,董磊,潘宇雄,孫艷兵.基于案例推理和等價(jià)空間的定性/定量混合故障診斷方法[J].南京航空航天大學(xué)學(xué)報(bào),2011,43(S1):87-90.王旭,沈艷霞,吳定會(huì).一類非線性系統(tǒng)的故障重構(gòu)與容錯(cuò)控制[J].測(cè)控技術(shù),2018,37(10):148-152.劉鵬鵬,左洪福,蘇艷,孫見(jiàn)忠.基于圖論模型的故障診斷方法研究進(jìn)展綜述[J].中國(guó)機(jī)械工程,2013,24(05):696-703.Sreejith,P.,Kumar,H.S.,Jameel,Muhammed,Ayoob,Fahmil,Vishnu,B..FaultDiagnosisofRollingElementBearingThroughVibrationSignalsUsingNa?veBayesClassifier[J].AdvancedScience,EngineeringandMedicine,2018,10(3):203-210.吳重光,夏濤,張貝克.基于符號(hào)定向圖(SDG)深層知識(shí)模型的定性仿真[J].系統(tǒng)仿真學(xué)報(bào),2003(10):1351-1355.卞玉濤,李志華.基于專家系統(tǒng)的故障診斷方法的研究與改進(jìn)[J].電子設(shè)計(jì)工程,2013,21(16):83-86+89.趙立杰,柴天佑,王綱.多元統(tǒng)計(jì)性能監(jiān)視和故障診斷技術(shù)研究進(jìn)展[J].信息與控制,2004(02):197-201.于春梅,潘泉,程詠梅,張洪才.基于核正則化Fisher判據(jù)的故障診斷[J].計(jì)算機(jī)工程,2010,36(23):1-3.李鋼,秦灑釗,吉吟東,周東華.基干T-PL5貢獻(xiàn)圖方法的故障診斷技術(shù)(英文)[J].自動(dòng)化學(xué)報(bào),2009,35(06):