【摘要】：滾動(dòng)軸承在國(guó)民經(jīng)濟(jì)和國(guó)防事業(yè)各個(gè)領(lǐng)域應(yīng)用非常廣泛,是機(jī)械設(shè)備的基礎(chǔ)零部件,也是最易受損的部件,其可靠性和壽命會(huì)影響轉(zhuǎn)子系統(tǒng)乃至整機(jī)的性能和壽命。通過(guò)對(duì)滾動(dòng)軸承的狀態(tài)進(jìn)行監(jiān)測(cè),可準(zhǔn)確判斷其故障,預(yù)測(cè)其剩余壽命(Remaining Useful Life,RUL),從而綜合反映其故障程度,所以研究滾動(dòng)軸承的RUL有重大的實(shí)際工程價(jià)值。本文以滾動(dòng)軸承壽命加速實(shí)驗(yàn)中采集到的振動(dòng)信號(hào)為研究對(duì)象,首先分析了傳統(tǒng)的滾動(dòng)軸承RUL預(yù)測(cè)的三個(gè)步驟:信號(hào)處理、特征提取和RUL預(yù)測(cè),討論了基于自適應(yīng)最稀疏時(shí)頻分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法的滾動(dòng)軸承趨勢(shì)分析;然后研究了經(jīng)粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)優(yōu)化的淺層學(xué)習(xí)網(wǎng)絡(luò)—誤差反向傳播(Error Back Propagation,BP)網(wǎng)絡(luò)和最小二乘支持向量回歸機(jī)(Least Squares Support Vector Machine,LS-SVR);接著討論了目前流行的可直接處理原始數(shù)據(jù)的深度學(xué)習(xí)的典型模型—深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN),并針對(duì)原始DBN預(yù)測(cè)方法中存在的缺陷進(jìn)行了參數(shù)與結(jié)構(gòu)兩方面的改進(jìn),最后將上述理論模型應(yīng)用于滾動(dòng)軸承RUL的預(yù)測(cè)實(shí)驗(yàn)中;通過(guò)實(shí)驗(yàn)驗(yàn)證所提改進(jìn)方法的有效性與優(yōu)越性。本文的主要研究?jī)?nèi)容如下:1.討論了滾動(dòng)軸承RUL預(yù)測(cè)通用的三個(gè)步驟—信號(hào)處理、特征提取和RUL預(yù)測(cè),首先使用ASTFA方法對(duì)滾動(dòng)軸承實(shí)驗(yàn)振動(dòng)信號(hào)進(jìn)行了預(yù)處理,然后基于ASTFA方法進(jìn)行了特征提取、選擇與趨勢(shì)分析,最后使用改進(jìn)的淺層神經(jīng)網(wǎng)絡(luò)PSO-BP與PSO-LS-SVR進(jìn)行了滾動(dòng)軸承RUL預(yù)測(cè)。2.采用可直接處理原始數(shù)據(jù)并深度挖掘數(shù)據(jù)內(nèi)部信息的人工智能方法—深度學(xué)習(xí)(Deep Learning,DL),進(jìn)行滾動(dòng)軸承趨勢(shì)分析并進(jìn)行RUL預(yù)測(cè)。首先研究了DL基本思想以及典型的DL模型;然后討論了典型的雙向深度網(wǎng)絡(luò)模型—DBN模型,研究了其自下而上的逐層無(wú)監(jiān)督貪婪算法,自上而下的有監(jiān)督微調(diào)學(xué)習(xí)算法以及其中關(guān)鍵參數(shù)的確定方法;最后通過(guò)滾動(dòng)軸承RUL預(yù)測(cè)實(shí)驗(yàn),證明所使用方法的有效性與優(yōu)越性。3.針對(duì)原始DBN預(yù)測(cè)模型中存在的明顯缺點(diǎn),對(duì)其參數(shù)進(jìn)行了改進(jìn),提出了全參數(shù)動(dòng)態(tài)學(xué)習(xí)深度信念網(wǎng)絡(luò)預(yù)測(cè)模型(Global Parameters Dynamic Learning Deep Belief Networks,GPDLDBN)。首先詳細(xì)研究了該模型的全參數(shù)動(dòng)態(tài)學(xué)習(xí)策略,該方法相對(duì)于原始DBN預(yù)測(cè)模型中的固定學(xué)習(xí)率,具有更高的準(zhǔn)確性與更快的收斂性;然后將所提出的GPDLDBN預(yù)測(cè)方法應(yīng)用到滾動(dòng)軸承RUL的預(yù)測(cè)實(shí)驗(yàn)中,通過(guò)具體的實(shí)驗(yàn)數(shù)據(jù)來(lái)證明GPDLDBN預(yù)測(cè)模型的有效性;最后通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了GPDLDBN預(yù)測(cè)模型的優(yōu)越性。4.在經(jīng)過(guò)參數(shù)優(yōu)化的GPDLDBN預(yù)測(cè)模型的基礎(chǔ)上,繼續(xù)采用螢火蟲算法(Firefly Algorithm,FA)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn),提出了基于螢火蟲算法優(yōu)化的全參數(shù)動(dòng)態(tài)學(xué)習(xí)深度信念網(wǎng)絡(luò)預(yù)測(cè)模型(Firefly Algorithm-Global Parameters Dynamic Learning Deep Belief Networks,FA-GPDLDBN)。首先討論了螢火蟲算法的具體優(yōu)化理念,然后采用螢火蟲算法優(yōu)化GPDLDBN網(wǎng)絡(luò)結(jié)構(gòu),最后使用經(jīng)螢火蟲算法優(yōu)化的GPDLDBN預(yù)測(cè)模型進(jìn)行滾動(dòng)軸承RUL預(yù)測(cè)實(shí)驗(yàn),并通過(guò)對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證所提改進(jìn)模型的有效性與優(yōu)越性。
【圖文】：

基于深度信念網(wǎng)絡(luò)的滾動(dòng)軸承壽命預(yù)測(cè)方法研究中滾動(dòng)軸承轉(zhuǎn)速為 2000rpm，采樣頻率為 25.6 組數(shù)據(jù)，采集時(shí)間間隔為 10s，，每組數(shù)據(jù)采樣時(shí)以振動(dòng)信號(hào)振幅超過(guò) 20g 為實(shí)驗(yàn)停止的標(biāo)志。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 汪慶年;饒利強(qiáng);龔文軍;蔡建峰;楊玉文;;基于PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在電動(dòng)機(jī)絕緣剩余壽命預(yù)測(cè)中的應(yīng)用[J];水電能源科學(xué);2015年12期

2 張小麗;王保建;馬猛;陳雪峰;;滾動(dòng)軸承壽命預(yù)測(cè)綜述[J];機(jī)械設(shè)計(jì)與制造;2015年10期

3 鄭毅;朱成璋;;基于深度信念網(wǎng)絡(luò)的PM_(2.5)預(yù)測(cè)[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2014年06期

4 路楊;李鵬珊;翟盼盼;;改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在木構(gòu)古建筑中的壽命預(yù)測(cè)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年05期

5 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

6 馬勇;鮑長(zhǎng)春;夏丙寅;;基于辨別性深度信念網(wǎng)絡(luò)的說(shuō)話人分割[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

7 賴宋紅;;滾動(dòng)軸承故障信號(hào)提取方法的研究[J];儀器儀表用戶;2013年03期

8 王金福;李富才;;機(jī)械故障診斷技術(shù)中的信號(hào)處理方法:時(shí)域分析[J];噪聲與振動(dòng)控制;2013年02期

9 奚立峰;黃潤(rùn)青;李興林;劉中鴻;李杰;;基于神經(jīng)網(wǎng)絡(luò)的球軸承剩余壽命預(yù)測(cè)[J];機(jī)械工程學(xué)報(bào);2007年10期

10 楊宇,于德介,程軍圣;基于EMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J];振動(dòng)與沖擊;2005年01期

相關(guān)會(huì)議論文 前1條

1 丁星光;李雅;賴瑋;陶建華;;基于深度學(xué)習(xí)的韻律結(jié)構(gòu)預(yù)測(cè)[A];第十三屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議(NCMMSC2015)論文集[C];2015年

相關(guān)博士學(xué)位論文 前1條

1 李寶慶;基于自適應(yīng)最稀疏時(shí)頻分析的機(jī)械故障診斷方法[D];湖南大學(xué);2016年

相關(guān)碩士學(xué)位論文 前5條

1 陳威;桁架機(jī)器人可靠性分析及剛?cè)狁詈蟿?dòng)態(tài)特性研究[D];合肥工業(yè)大學(xué);2017年

2 葉立強(qiáng);基于SVR的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法研究[D];哈爾濱理工大學(xué);2017年

3 馬利;基于時(shí)頻分析和多變量預(yù)測(cè)模型的滾動(dòng)軸承故障診斷方法[D];湖南大學(xué);2015年

4 孫建;滾動(dòng)軸承振動(dòng)故障特征提取與壽命預(yù)測(cè)研究[D];大連理工大學(xué);2015年

5 萬(wàn)維;基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究及應(yīng)用[D];電子科技大學(xué);2015年

本文編號(hào)：2628284