【摘要】：滾動(dòng)軸承及行星齒輪箱是機(jī)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(yùn)行緊密相關(guān)。隨著生產(chǎn)高效化、智能化的逐步加深,對(duì)設(shè)備故障診斷智能化的要求也日益提高,尤其是滾動(dòng)軸承及行星齒輪箱等關(guān)鍵部件。然而現(xiàn)有滾動(dòng)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(hào)處理等相關(guān)知識(shí),這需要非常好的數(shù)學(xué)知識(shí)和高深的領(lǐng)域知識(shí)做基礎(chǔ),實(shí)際生產(chǎn)中可操作性不強(qiáng);二是對(duì)故障診斷的研究都只是局限于對(duì)故障位置的診斷,很少有對(duì)部件故障大小、軸承載荷等屬性的診斷。針對(duì)以上滾動(dòng)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(xué)習(xí)相關(guān)知識(shí)搭建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型,并在CWRU數(shù)據(jù)集上進(jìn)行滾動(dòng)軸承故障的定性診斷,并取得準(zhǔn)確率為99.79%的良好診斷效果。該方法直接采用一維振動(dòng)信號(hào)作為網(wǎng)絡(luò)的輸入,利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力,自適應(yīng)的提取、學(xué)習(xí)振動(dòng)信號(hào)的特征,克服了傳統(tǒng)方法在進(jìn)行故障診斷時(shí)振動(dòng)信號(hào)特征信息難以提取的困難;隨后,在滾動(dòng)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(dòng)軸承故障定量診斷方法。通過(guò)搭建一個(gè)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(shí)驗(yàn)室數(shù)據(jù)集上進(jìn)行相應(yīng)的滾動(dòng)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(zhǔn)確率分別為89.74%和96.3%。此方法不僅能查看各屬性的準(zhǔn)確率,而且可以查看所診斷各個(gè)屬性任意組合的診斷結(jié)果;最后,在實(shí)現(xiàn)滾動(dòng)軸承定性、定量診斷的基礎(chǔ)上,針對(duì)行星齒輪箱結(jié)構(gòu)和故障信號(hào)傳播路徑復(fù)雜而導(dǎo)致故障難以診斷的情況,提出故障樹(shù)形結(jié)構(gòu)、工況并列結(jié)構(gòu)以及MSCNN模型。其中故障樹(shù)形結(jié)構(gòu)能統(tǒng)一處理各種復(fù)雜故障類(lèi)型,還能查看各個(gè)節(jié)點(diǎn)的診斷效果;工況并列結(jié)構(gòu)能處理變工況,預(yù)測(cè)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(zhǎng),并在網(wǎng)絡(luò)中加入雙路徑,這既避免了網(wǎng)絡(luò)過(guò)深而導(dǎo)致難以訓(xùn)練又兼顧了網(wǎng)絡(luò)過(guò)淺特征提取不充分的問(wèn)題。最終在本實(shí)驗(yàn)室行星齒輪箱振動(dòng)數(shù)據(jù)集上實(shí)現(xiàn)變工況下行星齒輪箱的復(fù)雜故障診斷,取得行星齒輪箱各部件綜合準(zhǔn)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(dòng)軸承及行星齒輪箱故障診斷方法簡(jiǎn)潔、泛化性能好、可操作性強(qiáng)、診斷效果好。
【圖文】：

GoogLeNet 結(jié)構(gòu)也不斷地優(yōu)化、改進(jìn)，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(lèi)自研究計(jì)算機(jī)視覺(jué)以來(lái)第一次超越人眼的圖像識(shí)別率。圖1-4 ResNet的殘差學(xué)習(xí)模塊2017 年，，康奈爾大學(xué)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(guò)集合每層前面的輸出來(lái)實(shí)現(xiàn)特征的充分利用。同時(shí)網(wǎng)絡(luò)的每一層設(shè)計(jì)得特別窄，即每層使用很少的特征圖，以便達(dá)到降低冗余性的目的�；谝陨蟽牲c(diǎn)，使得 DenseNet 在 ImageNet 分類(lèi)數(shù)據(jù)集上達(dá)到與ResNet 同樣的準(zhǔn)確率，所需參數(shù)量、計(jì)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(xué)位授予單位】：安徽工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TH133.33;TH132.425

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王波;劉樹(shù)林;張宏利;蔣超;;相關(guān)向量機(jī)及其在機(jī)械故障診斷中的應(yīng)用研究進(jìn)展[J];振動(dòng)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(jī)床與自動(dòng)化加工技術(shù);2015年02期

3 王建國(guó);李健;萬(wàn)旭東;;基于奇異值分解和局域均值分解的滾動(dòng)軸承故障特征提取方法[J];機(jī)械工程學(xué)報(bào);2015年03期

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

5 張銳戈;譚永紅;;雙譜主成分分析的滾動(dòng)軸承智能故障診斷[J];振動(dòng)工程學(xué)報(bào);2014年05期

6 鄭近德;程軍圣;;改進(jìn)的希爾伯特-黃變換及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);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(guó)電機(jī)工程學(xué)報(bào);2013年08期

8 李輝;鄭海起;唐力偉;;基于改進(jìn)雙樹(shù)復(fù)小波變換的軸承多故障診斷[J];振動(dòng).測(cè)試與診斷;2013年01期

9 雷亞國(guó);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(jìn)展[J];機(jī)械工程學(xué)報(bào);2011年19期

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

相關(guān)碩士學(xué)位論文 前7條

1 毛云龍;城市軌道車(chē)輛軸承故障診斷研究[D];青島大學(xué);2017年

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

3 徐繼剛;滾動(dòng)軸承振動(dòng)信號(hào)處理與故障辨識(shí)方法研究[D];蘭州理工大學(xué);2012年

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

5 耿永強(qiáng);基于支持向量機(jī)的機(jī)車(chē)軸承故障診斷系統(tǒng)的研究[D];中南大學(xué);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(xué);2008年

7 熊先鋒;壓電阻抗技術(shù)用于結(jié)構(gòu)健康監(jiān)測(cè)的研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2003年

本文編號(hào)：2634462