摘要：回转体设备在石油石化行业中被广泛应用，其可靠性直接关系到油气生产是否能够安全有效的进行。故障诊断技术为回转设备的持续有效运行提供了技术支持，但当前的回转设备智能诊断技术多采用人为提取时频域指标或信号分解后提取相应指标的方法诊断设备状态，在这一过程依靠人为经验选择状态特征进行数据挖掘，遗漏有效的故障敏感特征。针对这一问题，本文研究了一种基于深度玻耳兹曼机(Deep Boltzmann Machine，DBM)回转体关键部位的深度学习故障诊断方法，实现对故障特征的自适应提取和故障模式的有效识别，改善了人为提取特征数据的不完整性及不准确性，提高了对回转体关键部位状态诊断的准确性。首先，本文利用非抽样提升小波包(Undecimated Lifting Scheme Packet，ULSP)对振动信号降噪，然后构建了高斯DBM模型（G-DBM）直接将降噪后的信号作为G-DBM诊断模型中的输入信号进行深度学习，搭建了特征自提取的故障诊断模型，实现自适应特征提取和故障模式识别，完成对回转体滚动轴承的故障诊断研究。同时，利用粒子群优化方法（Particle Swarm Optimization algorithm）实现DBM模型中的参数选取，确定了其隐层节点数量、训练阶次和每阶训练次数。轴承故障诊断应用实例表明，该方法可以在大样本条件下自动提取不同故障的特征，达到了97.97%的回转体关键部位智能诊断率。
关键词：高斯深度玻尔兹曼机；特征提取；模式识别；智能诊断