【摘要】：伴隨著傳感器技術(shù)與數(shù)據(jù)采集系統(tǒng)在智能生產(chǎn)車間的廣泛部署應(yīng)用,基于數(shù)據(jù)驅(qū)動(dòng)的智能機(jī)械健康狀態(tài)監(jiān)測與故障診斷已進(jìn)入“工業(yè)大數(shù)據(jù)”時(shí)代。旋轉(zhuǎn)機(jī)械在機(jī)械工程領(lǐng)域被廣泛使用并在工程應(yīng)用領(lǐng)域扮演著重要的角色。隨著科學(xué)技術(shù)的進(jìn)步,旋轉(zhuǎn)機(jī)械的結(jié)構(gòu)組成與運(yùn)行狀態(tài)日益復(fù)雜導(dǎo)致其在惡劣的生產(chǎn)條件下故障出現(xiàn)的潛在可能性與故障診斷難度越來越大。多傳感設(shè)備在數(shù)據(jù)采集過程中存在著大量影響故障診斷模型綜合性能的沖突數(shù)據(jù)以及噪聲數(shù)據(jù)。在智能制造+大數(shù)據(jù)的工業(yè)背景下,如何充分利用多傳感器數(shù)據(jù)對旋轉(zhuǎn)機(jī)械設(shè)備健康狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測并進(jìn)行有效的綜合故障診斷研究是本文的工作重點(diǎn)。主要研究工作描述如下:首先提出了一種IDS(Improved Dempster-Shafer Evidence Theory)信息融合算法用以處理多傳感信息融合過程中可能存在的沖突問題。IDS算法通過將證據(jù)體距離矩陣代入到改進(jìn)Gini系數(shù)函數(shù)之中,通過規(guī)范化確定了不同證據(jù)體的置信度因子,以加權(quán)融合的方式有效地對一致證據(jù)與沖突證據(jù)進(jìn)行了融合。并基于優(yōu)勝劣汰機(jī)制,提高了合成證據(jù)的置信度。隨后提出了一種基于頻譜切片特征重構(gòu)的方法對設(shè)備狀態(tài)信息進(jìn)行有效提取。該方法通過將時(shí)域信號(hào)轉(zhuǎn)換到頻域信號(hào),再由切片堆疊重構(gòu)保留頻譜能量信息的方式,能有效地對原始信號(hào)進(jìn)行特征提取。該特征提取方法有助于降低對專家經(jīng)驗(yàn)的依賴程度、減少模型參數(shù)、降低樣本需求量、加快模型收斂速度并提高模型診斷精度。接著針對單源傳感非集成模型的局限性,提出了一種集成IDS算法與卷積神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷模型IDSCNN(Improved Dempster-Shafer Evidence Theory with Convolutional Nerural Network),并將該模型應(yīng)用到凱斯西儲(chǔ)大學(xué)軸承故障數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)分析。通過與單源非集成模型以及與當(dāng)前主流機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型在多種工況條件下分析比較,IDSCNN模型均表現(xiàn)出了更好的故障診斷性能。為旋轉(zhuǎn)機(jī)械故障診斷提供了一種新的研究路線。最后針對復(fù)雜多變的實(shí)際生產(chǎn)環(huán)境下可能存在的大量噪聲數(shù)據(jù)問題,提出了一種多傳感噪聲自適應(yīng)模型MACNN(Multi-sensors Adaptive Convolutional Neural Network),該模型在IDSCNN的基礎(chǔ)上通過增加批量規(guī)范化層與噪聲標(biāo)簽自適應(yīng)網(wǎng)絡(luò)的方式提高了對噪聲數(shù)據(jù)以及噪聲標(biāo)簽的魯棒性。通過在不同信噪比以及不同噪聲標(biāo)簽級別下進(jìn)行對比實(shí)驗(yàn),該模型均可獲得相對較高的故障診斷準(zhǔn)確度。
【圖文】：

貴州大學(xué)碩士學(xué)位論文IDS 算法為第 4 章多傳感多模型決策融合提供了決策融合的理論依據(jù)。論文第 5 章在第 4 章的基礎(chǔ)上，，模擬生產(chǎn)環(huán)境中可能出現(xiàn)的噪聲數(shù)據(jù)以及噪聲標(biāo)簽，通過在第 4 章故障診斷模型的基礎(chǔ)上增加批量正則化層與噪聲標(biāo)簽自適應(yīng)層，提高了該故障診斷模型在噪聲環(huán)境中的魯棒適應(yīng)能力。論文研究結(jié)構(gòu)框架如圖所示：

零部件作為研究對象，通過傳感器數(shù)據(jù)獲取設(shè)備運(yùn)行期間的相關(guān)數(shù)據(jù)，頻域、圖像、聲音等相關(guān)數(shù)據(jù)進(jìn)行特征提取，隨后利用提取出來的特征障診斷模型，最終用訓(xùn)練好的模型對設(shè)備進(jìn)行狀態(tài)監(jiān)測與故障診斷。然數(shù)基于深度學(xué)習(xí)的故障診斷模型多是基于單源傳感非集成模型的診斷器受自身性能與環(huán)境影響，對設(shè)備狀態(tài)運(yùn)行的反饋具有片面性。當(dāng)單一，診斷模型將會(huì)崩潰失效。與此同時(shí)，基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)模型對定程度的敏感性。深度學(xué)習(xí)模型的性能好壞很大程度上受模型結(jié)構(gòu)和參測試數(shù)據(jù)的分布與訓(xùn)練數(shù)據(jù)的分布不滿足獨(dú)立同分布條件時(shí)，基于深度斷模型的診斷性能將顯著性下降。對上述問題，本章提出了一套基于多傳感信息融合與卷積神經(jīng)網(wǎng)絡(luò)的故并在后續(xù)的章節(jié)中將其應(yīng)用到軸承故障診斷的相關(guān)問題中。多傳感信息融合面臨的問題與信息融合的級別 多傳感信息融合面臨的問題
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH133

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 李學(xué)軍;何能勝;何寬芳;何雷;;基于小波包近似熵和SVM的圓柱滾子軸承診斷[J];振動(dòng).測試與診斷;2015年06期

2 張曉濤;唐力偉;王平;鄧士杰;;軸承故障聲發(fā)射信號(hào)多頻帶共振解調(diào)方法[J];振動(dòng).測試與診斷;2015年02期

3 雷亞國;湯偉;孔德同;林京;;基于傳動(dòng)機(jī)理分析的行星齒輪箱振動(dòng)信號(hào)仿真及其故障診斷[J];機(jī)械工程學(xué)報(bào);2014年17期

4 張品;董為浩;高大冬;;一種優(yōu)化的貝葉斯估計(jì)多傳感器數(shù)據(jù)融合方法[J];傳感技術(shù)學(xué)報(bào);2014年05期

5 周真;周浩;馬德仲;張茹;蔣永清;;風(fēng)電機(jī)組故障診斷中不確定性信息處理的貝葉斯網(wǎng)絡(luò)方法[J];哈爾濱理工大學(xué)學(xué)報(bào);2014年01期

6 歐璐;于德介;;基于監(jiān)督拉普拉斯分值和主元分析的滾動(dòng)軸承故障診斷[J];機(jī)械工程學(xué)報(bào);2014年05期

7 李巍華;張盛剛;;基于改進(jìn)證據(jù)理論及多神經(jīng)網(wǎng)絡(luò)融合的故障分類[J];機(jī)械工程學(xué)報(bào);2010年09期

8 鄧勇,施文康,朱振福;一種有效處理沖突證據(jù)的組合方法[J];紅外與毫米波學(xué)報(bào);2004年01期

相關(guān)碩士學(xué)位論文 前7條

1 張偉;基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D];哈爾濱工業(yè)大學(xué);2017年

2 劉雨岑;基于D-S證據(jù)理論的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合[D];北京交通大學(xué);2017年

3 鄭鵬;基于激光和視覺信息融合的智能輪椅避障及運(yùn)動(dòng)控制研究[D];北京工業(yè)大學(xué);2016年

4 胡嘉驥;基于D-S證據(jù)理論的數(shù)據(jù)融合算法的研究[D];東南大學(xué);2016年

5 謝志鵬;基于信息融合的車輛安全監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2016年

6 張拉專;齒輪箱早期故障信號(hào)增強(qiáng)與智能診斷方法研究[D];哈爾濱工業(yè)大學(xué);2015年

7 羅孝輝;基于改進(jìn)貝葉斯網(wǎng)絡(luò)和Hibert-Huang變換的多源信息融合電網(wǎng)故障診斷方法[D];西南交通大學(xué);2015年

本文編號(hào)：2670522