【摘要】：滾動軸承及行星齒輪箱是機械設(shè)備中的關(guān)鍵部件,其故障與否與設(shè)備能否正常運行緊密相關(guān)。隨著生產(chǎn)高效化、智能化的逐步加深,對設(shè)備故障診斷智能化的要求也日益提高,尤其是滾動軸承及行星齒輪箱等關(guān)鍵部件。然而現(xiàn)有滾動軸承及行星齒輪箱故障診斷方法存在以下不足:一是大部分診斷方法都是基于信號處理等相關(guān)知識,這需要非常好的數(shù)學知識和高深的領(lǐng)域知識做基礎(chǔ),實際生產(chǎn)中可操作性不強;二是對故障診斷的研究都只是局限于對故障位置的診斷,很少有對部件故障大小、軸承載荷等屬性的診斷。針對以上滾動軸承及行星齒輪箱故障診斷方法的不足,本文首先根據(jù)深度學習相關(guān)知識搭建一個卷積神經(jīng)網(wǎng)絡(luò)模型,并在CWRU數(shù)據(jù)集上進行滾動軸承故障的定性診斷,并取得準確率為99.79%的良好診斷效果。該方法直接采用一維振動信號作為網(wǎng)絡(luò)的輸入,利用卷積神經(jīng)網(wǎng)絡(luò)強大的學習能力,自適應(yīng)的提取、學習振動信號的特征,克服了傳統(tǒng)方法在進行故障診斷時振動信號特征信息難以提取的困難;隨后,在滾動軸承定性診斷的基礎(chǔ)上提出一種基于多屬性卷積神經(jīng)網(wǎng)絡(luò)模型的滾動軸承故障定量診斷方法。通過搭建一個多屬性卷積神經(jīng)網(wǎng)絡(luò)模型分別在CWRU數(shù)據(jù)集和本實驗室數(shù)據(jù)集上進行相應(yīng)的滾動軸承故障位置、故障大小及軸承載荷等屬性的診斷,最終各屬性綜合準確率分別為89.74%和96.3%。此方法不僅能查看各屬性的準確率,而且可以查看所診斷各個屬性任意組合的診斷結(jié)果;最后,在實現(xiàn)滾動軸承定性、定量診斷的基礎(chǔ)上,針對行星齒輪箱結(jié)構(gòu)和故障信號傳播路徑復雜而導致故障難以診斷的情況,提出故障樹形結(jié)構(gòu)、工況并列結(jié)構(gòu)以及MSCNN模型。其中故障樹形結(jié)構(gòu)能統(tǒng)一處理各種復雜故障類型,還能查看各個節(jié)點的診斷效果;工況并列結(jié)構(gòu)能處理變工況,預(yù)測轉(zhuǎn)速和載荷;MSCNN模型在多屬性卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,采用大的卷積、池化算子、大步長,并在網(wǎng)絡(luò)中加入雙路徑,這既避免了網(wǎng)絡(luò)過深而導致難以訓練又兼顧了網(wǎng)絡(luò)過淺特征提取不充分的問題。最終在本實驗室行星齒輪箱振動數(shù)據(jù)集上實現(xiàn)變工況下行星齒輪箱的復雜故障診斷,取得行星齒輪箱各部件綜合準確率為97%的診斷效果。本文所提基于卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承及行星齒輪箱故障診斷方法簡潔、泛化性能好、可操作性強、診斷效果好。
【圖文】：

GoogLeNet 結(jié)構(gòu)也不斷地優(yōu)化、改進，先后出現(xiàn)了 Inception V2、InceptionV3、Inception V4 等模型。圖1-3 Inception模塊結(jié)構(gòu)圖

深度為 152 層的深層網(wǎng)絡(luò)，并獲得 ILSVRC 2015 比賽的冠軍。ResNet 的誕生也是人類自研究計算機視覺以來第一次超越人眼的圖像識別率。圖1-4 ResNet的殘差學習模塊2017 年，，康奈爾大學博士后黃高博士等提出了 DenseNet[32]，該構(gòu)架是一種具有密集連接的卷積神經(jīng)網(wǎng)絡(luò)，通過集合每層前面的輸出來實現(xiàn)特征的充分利用。同時網(wǎng)絡(luò)的每一層設(shè)計得特別窄，即每層使用很少的特征圖，以便達到降低冗余性的目的�；谝陨蟽牲c，使得 DenseNet 在 ImageNet 分類數(shù)據(jù)集上達到與ResNet 同樣的準確率，所需參數(shù)量、計算量都不到 ResNet 的一半，從而使得DenseNet 比其他網(wǎng)絡(luò)具有更高的效率。2017 年
【學位授予單位】：安徽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH133.33;TH132.425

【參考文獻】

相關(guān)期刊論文 前10條

1 王波;劉樹林;張宏利;蔣超;;相關(guān)向量機及其在機械故障診斷中的應(yīng)用研究進展[J];振動與沖擊;2015年05期

2 向玲;陳濤;;故障行星輪系接觸力仿真研究[J];組合機床與自動化加工技術(shù);2015年02期

3 王建國;李健;萬旭東;;基于奇異值分解和局域均值分解的滾動軸承故障特征提取方法[J];機械工程學報;2015年03期

4 王志堅;韓振南;劉邱祖;寧少慧;;基于MED-EEMD的滾動軸承微弱故障特征提取[J];農(nóng)業(yè)工程學報;2014年23期

5 張銳戈;譚永紅;;雙譜主成分分析的滾動軸承智能故障診斷[J];振動工程學報;2014年05期

6 鄭近德;程軍圣;;改進的希爾伯特-黃變換及其在滾動軸承故障診斷中的應(yīng)用[J];機械工程學報;2015年01期

7 馮志鵬;趙鐳鐳;褚福磊;;行星齒輪箱故障診斷的幅值解調(diào)分析方法[J];中國電機工程學報;2013年08期

8 李輝;鄭海起;唐力偉;;基于改進雙樹復小波變換的軸承多故障診斷[J];振動.測試與診斷;2013年01期

9 雷亞國;何正嘉;林京;韓冬;孔德同;;行星齒輪箱故障診斷技術(shù)的研究進展[J];機械工程學報;2011年19期

10 黃銀花;;基于數(shù)據(jù)融合的滾動軸承故障診斷研究[J];電氣傳動自動化;2011年03期

相關(guān)碩士學位論文 前7條

1 毛云龍;城市軌道車輛軸承故障診斷研究[D];青島大學;2017年

2 王況;基于非平穩(wěn)信號的行星齒輪箱故障診斷[D];電子科技大學;2016年

3 徐繼剛;滾動軸承振動信號處理與故障辨識方法研究[D];蘭州理工大學;2012年

4 賈桂鋒;基于HHT和決策樹的滾動軸承故障診斷研究[D];華中農(nóng)業(yè)大學;2011年

5 耿永強;基于支持向量機的機車軸承故障診斷系統(tǒng)的研究[D];中南大學;2008年

6 張維新;基于小波分析與神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究[D];天津大學;2008年

7 熊先鋒;壓電阻抗技術(shù)用于結(jié)構(gòu)健康監(jiān)測的研究[D];國防科學技術(shù)大學;2003年

本文編號：2634462