本文選題：全矢譜　切入點(diǎn)：Hilbert解調(diào)　出處：《鄭州大學(xué)》2017年碩士論文

【摘要】：當(dāng)前機(jī)械設(shè)備向著更加高效化、集成化和大型化的方向發(fā)展,因此如何保證其安全穩(wěn)定的運(yùn)行具有重大研究意義。隨著計(jì)算機(jī)技術(shù)和傳感器技術(shù)的發(fā)展,故障預(yù)測(cè)理論和技術(shù)也隨之發(fā)展完善,并為上述問(wèn)題提供一種較好的解決途徑。但是傳統(tǒng)的信息采集方式是用單一傳感器來(lái)采集單通道信息來(lái)進(jìn)行分析,因?yàn)樾畔⒉粔蛉?可靠性并不是很好。而全矢譜技術(shù)則將互為正交的兩個(gè)通道的信號(hào)加以融合,能更全面準(zhǔn)確反映出設(shè)備運(yùn)行狀態(tài)。預(yù)測(cè)算法方面,一直是人工智能研究的熱點(diǎn),而且近年出現(xiàn)了一系列新的算法,比如極限學(xué)習(xí)機(jī),具備良好的精度和可靠性,并且具有計(jì)算量小,速度快等特點(diǎn)。本文將全矢譜技術(shù)與神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)相結(jié)合,并以滾動(dòng)軸承為對(duì)象進(jìn)行故障預(yù)測(cè)研究,主要研究?jī)?nèi)容如下幾個(gè)方面:(1)采用全矢Hilbert解調(diào)方法提取滾動(dòng)軸承的故障特征頻率,通過(guò)仿真和實(shí)例分析,本方法可以有效將特征頻率提取出來(lái),為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的提取奠定理論基礎(chǔ);(2)提出了基于全矢模糊神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)模型,并進(jìn)行實(shí)例驗(yàn)證,結(jié)果表明,因?yàn)槟：窠?jīng)網(wǎng)絡(luò)自身的缺陷,預(yù)測(cè)結(jié)果穩(wěn)定性不佳,容易造成誤診;(3)提出了基于全矢小波神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)模型,并進(jìn)行實(shí)例驗(yàn)證,結(jié)果表明,利用小波基函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行改造,可以提高神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障預(yù)測(cè)中的效果。但是小波神經(jīng)網(wǎng)絡(luò)依然沒(méi)有解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的故有缺陷,依然采用梯度下降的學(xué)習(xí)方法,因此容易陷入局部極值而影響預(yù)測(cè)模型效果;(4)針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的不足,提出全矢極限學(xué)習(xí)機(jī)的軸承故障預(yù)測(cè)模型,通過(guò)實(shí)例驗(yàn)證表明,它可以很好的擬合期望輸出,誤差度小,對(duì)滾動(dòng)軸承故障的預(yù)測(cè)表現(xiàn)了很好的穩(wěn)定性和精確性。極限學(xué)習(xí)機(jī)不像傳統(tǒng)神經(jīng)網(wǎng)絡(luò)那樣需要設(shè)置大量參數(shù),只需要設(shè)置隱含層神經(jīng)元數(shù)即可,因此其計(jì)算量小,運(yùn)算速度快,具有很好的實(shí)時(shí)性能和實(shí)用價(jià)值。
[Abstract]:At present, mechanical equipment is developing towards higher efficiency, integration and large scale, so it is of great significance to study how to ensure its safe and stable operation.With the development of computer technology and sensor technology, the theory and technology of fault prediction are improved, and a better way to solve the above problems is provided.But the traditional way of information acquisition is to use a single sensor to collect single channel information for analysis, because the information is not comprehensive, the reliability is not very good.The full-vector spectrum technology combines the signals of the two channels which are orthogonal to each other and can reflect the running state of the equipment more comprehensively and accurately.Prediction algorithm has always been a hot topic in artificial intelligence, and in recent years, a series of new algorithms have emerged, such as extreme learning machine, with good accuracy and reliability, and has the characteristics of small computation, fast speed, and so on.In this paper, the full-vector spectrum technique is combined with neural network and ultimate learning machine, and the fault prediction of rolling bearing is studied. The main research contents are as follows: 1) the fault characteristic frequency of rolling bearing is extracted by full-vector Hilbert demodulation method.Through simulation and example analysis, this method can effectively extract the feature frequency, lay a theoretical foundation for neural network training sample extraction. (2) A fault prediction model based on full-vector fuzzy neural network is proposed and verified by an example.The results show that because of the defects of the fuzzy neural network, the stability of the prediction results is not good, and it is easy to cause misdiagnosis. (3) A fault prediction model based on the full-vector wavelet neural network is proposed and verified by an example.The improvement of neural network by wavelet basis function can improve the effect of neural network in rolling bearing fault prediction.However, wavelet neural network still has not solved the shortcomings of traditional neural network, and still adopts gradient descent learning method, so it is easy to fall into local extremum and affect the prediction model effect.A bearing fault prediction model of full-vector learning machine is put forward. The example shows that it can fit the expected output well, and the error degree is small, and the prediction of rolling bearing fault shows good stability and accuracy.Extreme learning machine does not need to set a large number of parameters as the traditional neural network, only need to set the number of hidden layer neurons, so it has a small amount of calculation, fast operation, good real-time performance and practical value.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TH133.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 左磊;侯立剛;高大明;彭曉宏;吳武臣;;基于粒子群-小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J];北京工業(yè)大學(xué)學(xué)報(bào);2010年03期

2 黃永紅;徐勇;;基于小波神經(jīng)網(wǎng)絡(luò)的某邊坡預(yù)測(cè)研究[J];測(cè)繪工程;2012年02期

3 祖哲;畢貴紅;劉力;郝娟;;基于小波神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年10期

4 霍禹同;;基于小波神經(jīng)網(wǎng)絡(luò)的電機(jī)自動(dòng)控制研究[J];信息與電腦(理論版);2013年09期

5 江亞?wèn)|,丁麗萍,夏克儉,李恪,陳因頎;基于小波神經(jīng)網(wǎng)絡(luò)的混沌模式提取[J];北京科技大學(xué)學(xué)報(bào);2001年05期

6 陳農(nóng),賈區(qū)耀;用自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)辨識(shí)動(dòng)態(tài)實(shí)驗(yàn)數(shù)據(jù)[J];飛行力學(xué);2001年01期

7 張?jiān)龇?陳瑞中,齊保謙,陸英北;基于小波神經(jīng)網(wǎng)絡(luò)的心電數(shù)據(jù)壓縮研究[J];廣西工學(xué)院學(xué)報(bào);2002年01期

8 任少龍,鐘秋海,嚴(yán)承華;小波神經(jīng)網(wǎng)絡(luò)在裝備研制費(fèi)預(yù)測(cè)與控制中的應(yīng)用[J];海軍工程大學(xué)學(xué)報(bào);2002年05期

9 董杰,馬壯,吳云,李嘉林;遺傳小波神經(jīng)網(wǎng)絡(luò)在飛機(jī)加油管路設(shè)計(jì)中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);2002年S1期

10 趙學(xué)智,鄒春華,陳統(tǒng)堅(jiān),葉邦彥,彭永紅;小波神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化研究[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年02期

相關(guān)會(huì)議論文 前10條

1 胡博;陶文華;崔博;白一彤;尹旭;;基于小波神經(jīng)網(wǎng)絡(luò)的異步電機(jī)故障診斷[A];2009中國(guó)控制與決策會(huì)議論文集（2）[C];2009年

2 何正友;錢清泉;;一種改進(jìn)小波神經(jīng)網(wǎng)絡(luò)模型在電力故障信號(hào)識(shí)別中的應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

3 魯艷軍;陳漢新;陳緒兵;;基于小波神經(jīng)網(wǎng)絡(luò)的齒輪裂紋故障診斷[A];節(jié)能減排 綠色制造 智能制造——低碳經(jīng)濟(jì)下高技術(shù)制造產(chǎn)業(yè)與智能制造發(fā)展論壇論文集[C];2010年

4 董健;尹萌;張輝;;小波神經(jīng)網(wǎng)絡(luò)結(jié)合多項(xiàng)式的混合預(yù)測(cè)方法在通信規(guī)劃中的應(yīng)用[A];2011全國(guó)無(wú)線及移動(dòng)通信學(xué)術(shù)大會(huì)論文集[C];2011年

5 謝建宏;張為公;;復(fù)合材料疲勞剩余壽命預(yù)測(cè)的動(dòng)態(tài)小波神經(jīng)網(wǎng)絡(luò)方法[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

6 陳建秋;張新政;;基于小波神經(jīng)網(wǎng)絡(luò)的水質(zhì)預(yù)測(cè)應(yīng)用研究[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

7 孫正貴;;小波神經(jīng)網(wǎng)絡(luò)的高效學(xué)習(xí)算法及應(yīng)用研究[A];中南六�。▍^(qū)）自動(dòng)化學(xué)會(huì)第24屆學(xué)術(shù)年會(huì)會(huì)議論文集[C];2006年

8 黃敏;朱啟兵;崔寶同;;基于小波神經(jīng)網(wǎng)絡(luò)的軋機(jī)特性回歸[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

9 周紹磊;張文廣;李新;;一種基于改進(jìn)遺傳算法的小波神經(jīng)網(wǎng)絡(luò)[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

10 杜青;劉劍飛;劉娟;喬延華;;基于小波神經(jīng)網(wǎng)絡(luò)的模擬調(diào)制信號(hào)自動(dòng)識(shí)別[A];2007通信理論與技術(shù)新發(fā)展——第十二屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2007年

相關(guān)重要報(bào)紙文章 前2條

1 通訊員 魏向軍;“六字訣”工作法扼制機(jī)車“隱形殺手”[N];人民鐵道;2008年

2 記者 秦勉;白靜命案背后的“心理極限”[N];北京科技報(bào);2012年

相關(guān)博士學(xué)位論文 前10條

1 侯霞;小波神經(jīng)網(wǎng)絡(luò)若干關(guān)鍵問(wèn)題研究[D];南京航空航天大學(xué);2006年

2 章文俊;小波神經(jīng)網(wǎng)絡(luò)算法及其船舶運(yùn)動(dòng)控制應(yīng)用研究[D];大連海事大學(xué);2014年

3 高協(xié)平;小波參數(shù)化與小波神經(jīng)網(wǎng)絡(luò)研究[D];湖南大學(xué);2003年

4 宋清昆;自適應(yīng)結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡(luò)控制研究[D];哈爾濱理工大學(xué);2009年

5 李永紅;廣義小波神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)雷達(dá)相關(guān)濾波的研究[D];大連海事大學(xué);2000年

6 銀俊成;量子信道與量子小波神經(jīng)網(wǎng)絡(luò)相關(guān)問(wèn)題研究[D];陜西師范大學(xué);2013年

7 李文軍;多小波和小波神經(jīng)網(wǎng)絡(luò)構(gòu)造及其在電弧故障診斷中的應(yīng)用研究[D];吉林大學(xué);2008年

8 劉守生;遺傳算法與小波神經(jīng)網(wǎng)絡(luò)中若干問(wèn)題的研究[D];南京航空航天大學(xué);2005年

9 李萌;旋轉(zhuǎn)機(jī)械軸承故障的特征提取與模式識(shí)別方法研究[D];吉林大學(xué);2008年

10 張翱;列車軸承故障道旁聲學(xué)診斷關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 趙偉杰;基于全矢極限學(xué)習(xí)機(jī)的軸承故障預(yù)測(cè)研究[D];鄭州大學(xué);2017年

2 張清華;小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化及其應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2009年

3 王建雙;基于小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與研究[D];哈爾濱理工大學(xué);2009年

4 張蓉暉;小波神經(jīng)網(wǎng)絡(luò)及其在模擬電路診斷中的應(yīng)用[D];華中科技大學(xué);2008年

5 吳曦;基于隨機(jī)小波神經(jīng)網(wǎng)絡(luò)的一類隨機(jī)過(guò)程的逼近[D];西北工業(yè)大學(xué);2001年

6 王勇;基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷的研究[D];內(nèi)蒙古工業(yè)大學(xué);2006年

7 孫新強(qiáng);基于小波神經(jīng)網(wǎng)絡(luò)的板料沖壓回彈研究[D];西南交通大學(xué);2015年

8 但立;基于小波神經(jīng)網(wǎng)絡(luò)的地面三維激光掃描點(diǎn)云數(shù)據(jù)的滑坡監(jiān)測(cè)研究[D];長(zhǎng)安大學(xué);2015年

9 葛小川;基于小波神經(jīng)網(wǎng)絡(luò)的某坦克炮平衡與定位控制[D];南京理工大學(xué);2015年

10 蔡崇國(guó);小波分析在大功率交流伺服系統(tǒng)中的應(yīng)用研究[D];南京理工大學(xué);2015年

，

本文編號(hào)：1698811