【摘要】：滾動軸承保證了旋轉軸正常穩(wěn)定的工作狀態(tài),滾動軸承故障的深入研究會進一步促進旋轉機械故障診斷研究的發(fā)展。隨著工業(yè)大數(shù)據(jù)的發(fā)展,企業(yè)選擇多傳感器獲取機組多維度的信息進行監(jiān)控。對于傳統(tǒng)的故障診斷方法,一般手工選擇信號的故障特征或者是采用一般的信號分析方法。相對于采用卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡自適應提取信號特征,手工選擇特征隨機性大,而且泛化性不足。利用全矢譜對于數(shù)據(jù)集進行特征增強,分別構建一維卷積神經(jīng)網(wǎng)絡(1D-CNN)提取信號分類信息和長短時記憶神經(jīng)網(wǎng)絡(LSTM)提取信號時序信息,構建集成神經(jīng)網(wǎng)絡,提出全矢卷積循環(huán)神經(jīng)網(wǎng)絡(FV-CRNN)滾動軸承故障診斷方法。主要研究工作如下:(1)介紹卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡的理論知識及推導過程,以及全矢譜理論的機理和數(shù)值推導。針對真實故障信號進行實驗,驗證了全矢譜理論相對于單通道信號分析方法的有效性。(2)提出基于一維卷積循環(huán)神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法,并試驗驗證了方法的有效性。首先使用全矢譜技術對于同源雙通道故障信號進行特征融合得到全矢譜主振矢數(shù)據(jù)集,其次對數(shù)據(jù)集進行人工標注并按照訓練集和測試集8:2的比例進行數(shù)據(jù)劃分。分別構建一維卷積神經(jīng)網(wǎng)絡(1D-CNN)和循環(huán)神經(jīng)網(wǎng)絡中的長短時記憶神經(jīng)網(wǎng)絡(LSTM),通過去噪編碼添加數(shù)據(jù)集噪聲,使用交叉熵作為損失函數(shù),Adam優(yōu)化器微調后得到全矢卷積循環(huán)神經(jīng)網(wǎng)絡(FV-CRNN)模型。試驗結果表明全矢CRNN在測試集上的準確性和泛化性都要高于單通道CRNN。同時通過T-SNE特征降維,可視化主成分,直觀地驗證了該模型在故障分類任務上的優(yōu)勢。(3)手工選擇CEEMD能量熵特征,結合Softmax多分類器進行軸承故障分類。將單通道CRNN和全矢CRNN提取的隱層特征分別輸入Softmax多分類器,與CEEMD能量熵特征分類結果進行對比。實驗結果表明,全矢CRNN自適應提取的特征相對于手動選擇特征對故障分類更加有效。
【圖文】：

１．４．２全頻譜方法逡逑Ｂｅｎｔｌｙ公司提出全頻譜技術［４４］，將軸心軌跡用正、反進動圓表示，，其中振逡逑幅可以在坐標軸對稱（即正反方向）展示幅值，如圖１．２所示。全頻譜的好處逡逑就是分辨率較高、特征提取速度比較快，缺點就是無法評估信號的振動能量，逡逑故應用范圍比較窄［４１】。逡逑５０邋－逡逑４５邋■逡逑４０邋－逡逑３５邋－逡逑３０邋－逡逑＜逡逑＊３邋２５邋－逡逑２０邋－逡逑１５－邐Ｉ逡逑｜逡逑５－邋Ｉ邐Ｉ邋｜逡逑Ｑ邋——」－邐ｉｌ＿邋ｉｌ．…—Ａ邐１邐１邐ｕ———．—Ｊｉｉ邐１邐逡逑－４ｘ邐－３ｘ邐－２ｘ邋－ｘ邐０邐ｘ邐２ｘ邋３ｘ邐４ｘ逡逑倍頻逡逑圖１．２全頻譜示意圖逡逑１．４．３全矢譜方法逡逑基于以上的同源信息融合技術都存在一定的缺點，韓捷教授提出了全矢譜逡逑理論［４５】，解決了上述的特征描述不明顯、特征無法數(shù)值化以及無法表述能量信逡逑４逡逑

邐６ｘ逡逑倍矧逡逑圖１．１全息譜示意圖逡逑１．４．２全頻譜方法逡逑Ｂｅｎｔｌｙ公司提出全頻譜技術［４４］，將軸心軌跡用正、反進動圓表示，其中振逡逑幅可以在坐標軸對稱（即正反方向）展示幅值，如圖１．２所示。全頻譜的好處逡逑就是分辨率較高、特征提取速度比較快，缺點就是無法評估信號的振動能量，逡逑故應用范圍比較窄［４１】。逡逑５０邋－逡逑４５邋■逡逑４０邋－逡逑３５邋－逡逑３０邋－逡逑＜逡逑＊３邋２５邋－逡逑２０邋－逡逑１５－邐Ｉ逡逑｜逡逑５－邋Ｉ邐Ｉ邋｜逡逑Ｑ邋——」－邐ｉｌ＿邋ｉｌ．…—Ａ邐１邐１邐ｕ———．—Ｊｉｉ邐１邐逡逑－４ｘ邐－３ｘ邐－２ｘ邋－ｘ邐０邐ｘ邐２ｘ邋３ｘ邐４ｘ逡逑倍頻逡逑圖１．２全頻譜示意圖逡逑１．４．３全矢譜方法逡逑基于以上的同源信息融合技術都存在一定的缺點，韓捷教授提出了全矢譜逡逑理論［４５】，解決了上述的特征
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH133.33

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡的發(fā)展及簡單模型[J];數(shù)字技術與應用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

5 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術;2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術與應用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡加速[J];通訊世界;2018年08期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2622877