【摘要】：滾動軸承作為旋轉(zhuǎn)機械的基礎部件,廣泛應用于工程機械、航空航天、高鐵動車等重要領域。建立可靠的健康狀態(tài)檢測系統(tǒng),是保證旋轉(zhuǎn)機械在工業(yè)過程中平穩(wěn)運行的關鍵。在實際工程應用中,滾動軸承往往工作在負載與轉(zhuǎn)速變化的條件下,由于其運行狀態(tài)復雜多變,產(chǎn)生的振動信號特征分布差異性較大?而基于信號處理的特征提取結合分類器的傳統(tǒng)智能診斷方法,過于依賴專家經(jīng)驗和先驗知識,無法滿足變工況條件下,滾動軸承振動信號特征提取與故障識別的要求。因此,針對該問題提出了一種基于深度學習的端到端的滾動軸承故障診斷方法,實現(xiàn)從原始信號到分類結果的直接映射?首先,通過卷積神經(jīng)網(wǎng)絡(CNN)將振動數(shù)據(jù)映射到非線性空間域,從大量原始信號中挖掘與軸承運行狀態(tài)相關的信息。利用CNN對輸入信號的微小位移、縮放具有不變性的特點,自適應提取變工況下滾動軸承故障特征。其次,針對不同工況下的軸承振動信號表現(xiàn)形式具有差異性,且故障發(fā)生時信號的局部突變性特點,提出將注意力機制思想融入CNN結構中,建立特征通道之間的依賴關系,更好地推理不同表現(xiàn)形式數(shù)據(jù)之間的關聯(lián)性,進一步提高變工況下軸承振動特征的敏感性。最后,利用數(shù)據(jù)增強方法獲得更加豐富多樣的訓練樣本,使提出的深度神經(jīng)網(wǎng)絡得到更充分的學習,有效避免過擬合?通過進一步分析振動信號的特點,為了學習到對信號位移具有不變性的特征,設計了注意力機制CNN模型中超參數(shù)的選擇方案,降低故障診斷算法的設計難度。實驗表明,所提基于注意力機制CNN故障診斷模型可實現(xiàn)變工況下的滾動軸承多狀態(tài)識別與分類,與其他方法相比,其可獲得更高的準確率。
【圖文】：

圖 2-5 編碼器-解碼器基本結構Fig. 2-5 Basic structure of encoder-decoder mxxYy,y-,,,212 編碼器解碼器器就是對輸入序列進行編碼，實現(xiàn)非線

加入注意力機制模型的編碼器—解碼器基本結構ture of encoder-decoder incorporating attention mechanism的實現(xiàn)過程總體可分為兩部分：注意力權重生成)與(2-11)所示：a h X Z a Z力機制網(wǎng)絡，其生成注意力權重向量 a，利用神征向量 Z，，將注意力權重 a 與 Z 相乘。T 是一種思想，而不是某種模型的實現(xiàn)，因此它身并不依賴于特定框架[54]。因此將注意力機制從，進一步分析注意力機制的原理。理特征信息表示為X1:N= [x1，x2，…，xN]，i=1，
【學位授予單位】：哈爾濱理工大學
【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 屈強;尉寶元;;197726型滾動軸承故障產(chǎn)生原因及對策[J];京鐵科技通訊(太原刊);2002年01期

2 陳松;陳立愛;;經(jīng)驗模態(tài)分解和神經(jīng)網(wǎng)絡在滾動軸承故障診斷中應用研究[J];安徽建筑大學學報;2016年04期

3 倪安福;;基于包絡譜分析的滾動軸承故障診斷方法研究[J];煤礦機械;2017年02期

4 秦波;孫國棟;陳帥;王祖達;王建國;;排列熵與核極限學習機在滾動軸承故障診斷中的應用[J];組合機床與自動化加工技術;2017年02期

5 李衛(wèi);;非平穩(wěn)工況的滾動軸承故障特征研究新方法[J];機械設計與研究;2017年01期

6 汪治安;夏均忠;但佳壁;于明奇;呂麒鵬;;循環(huán)平穩(wěn)在滾動軸承故障診斷中的應用[J];軍事交通學院學報;2017年06期

7 陳慧;胡俊鋒;熊國良;;基于小波包分解與權重包絡譜的滾動軸承故障特征增強[J];機械設計與研究;2017年03期

8 陳雷;;滾動軸承故障診斷實例[J];設備管理與維修;2016年10期

9 楊康鵬;;一種改進的滾動軸承故障診斷方法[J];機械制造;2012年05期

10 蔣康保;;神經(jīng)網(wǎng)絡在滾動軸承故障診斷中的應用[J];裝備制造技術;2010年01期

相關會議論文 前10條

1 崔寶珍;王澤兵;潘宏俠;;小波包分析和模糊聚類方法在滾動軸承故障診斷中應用[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

2 和衛(wèi)星;陳曉平;馬東玲;;基于混沌時間序列的滾動軸承故障局部預測[A];2009中國儀器儀表與測控技術大會論文集[C];2009年

3 張益純;;常見滾動軸承故障診斷的技術探討[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

4 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

5 李興林;;滾動軸承故障診斷技術現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術會議論文集[C];2009年

6 崔寶珍;王澤兵;潘宏俠;;小波包分析和模糊聚類方法在滾動軸承故障診斷中的應用[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

7 閔勇;郭一楠;閆俊榮;;基于貪心算法的滾動軸承故障診斷特征提取[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 楊積忠;左立建;;滾動軸承故障診斷實例[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

9 古瑩奎;楊子茜;朱繁龍;;基于主成分分析的滾動軸承故障特征融合分析[A];2014年全國機械行業(yè)可靠性技術學術交流會暨可靠性工程分會第五屆委員會成立大會論文集[C];2014年

10 王俊鋒;申永軍;;高階統(tǒng)計量在滾動軸承故障診斷中的應用研究[A];第十四屆全國非線性振動暨第十一屆全國非線性動力學和運動穩(wěn)定性學術會議摘要集與會議議程[C];2013年

相關博士學位論文 前10條

1 池永為;滾動軸承故障的振動特性分析與智能診斷方法研究[D];浙江大學;2018年

2 王洪偉;航空發(fā)動機滾動軸承故障診斷與預測關鍵技術研究[D];南京航空航天大學;2015年

3 葛慧敏;車輛滾動軸承故障診斷建模及關鍵技術研究[D];江蘇大學;2017年

4 廖強;約束獨立分量和多小波分析在滾動軸承故障診斷中的應用[D];電子科技大學;2016年

5 王聰;基于稀疏表達的機械信號處理方法及其在滾動軸承故障診新中的應用研究[D];中國科學技術大學;2017年

6 徐劍;基于短時奇異譜分析的滾動軸承故障診斷方法研究[D];浙江大學;2017年

7 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應用[D];湖南大學;2016年

8 郝騰飛;航空發(fā)動機滾動軸承故障的核方法智能識別技術研究[D];南京航空航天大學;2014年

9 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構技術研究[D];大慶石油學院;2009年

10 Ao Hung Linh（池雄嶺）;基于化學反應優(yōu)化算法和支持向量機的滾動軸承故障診斷方法研究[D];湖南大學;2014年

相關碩士學位論文 前10條

1 汪一飛;基于全矢CEEMD的滾動軸承故障診斷研究[D];鄭州大學;2019年

2 梁寧;基于分形幾何的滾動軸承故障診斷方法研究[D];北京郵電大學;2019年

3 葛紅平;基于自適應局部迭代濾波的滾動軸承故障診斷研究[D];南昌航空大學;2019年

4 梁珊;基于深度信念網(wǎng)絡的滾動軸承故障診斷研究[D];南昌航空大學;2019年

5 呂嘉良;分數(shù)階傅里葉變換在滾動軸承故障診斷中的應用[D];哈爾濱理工大學;2019年

6 李藝偉;基于改進CNN的變工況下滾動軸承故障診斷方法研究[D];哈爾濱理工大學;2019年

7 胡明武;基于遷移學習的變工況下滾動軸承故障診斷方法研究[D];哈爾濱理工大學;2019年

8 馬華鑫;偏最小二乘法極限學習機的滾動軸承故障預測[D];哈爾濱理工大學;2019年

9 付培英;基于深度學習的滾動軸承故障信號自動分類算法研究[D];天津工業(yè)大學;2019年

10 杜小磊;基于深度學習的滾動軸承故障診斷方法[D];北京建筑大學;2019年

本文編號：2692995