【摘要】：滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中的重要組成部分,在工業(yè)設(shè)備中起著非常重要的作用,其運(yùn)行狀態(tài)對(duì)機(jī)械設(shè)備的健康狀態(tài)有著很大的影響。本文針對(duì)滾動(dòng)軸承故障信號(hào),研究了基于深度學(xué)習(xí)網(wǎng)絡(luò)的故障識(shí)別和狀態(tài)預(yù)測(cè)方法。為了提取信號(hào)的特征,降低信號(hào)特征空間的維數(shù),研究了信號(hào)的小波包分解理論和方法。重點(diǎn)討論小波函數(shù)對(duì)信號(hào)特征分解結(jié)果的影響和小波包分解層數(shù)的確定方法。分析了以Daubechies小波(dbN,N=4,10,20)為基函數(shù)的小波包分解效果。當(dāng)N越大時(shí),尺度函數(shù)與小波函數(shù)的濾波頻帶交疊區(qū)域越小,小波包變換后各個(gè)小波包頻域的分離特性越好。隨著N的增大,小波包熵值逐漸變小,當(dāng)N達(dá)到某一值時(shí),小波包熵值基本不變。綜合分析之后確定了小波函數(shù)。另外,根據(jù)軸承損傷的特征頻率與奈奎斯特頻率,結(jié)合理論與工程實(shí)際,確定了小波包分解的層數(shù),為工程提供依據(jù)。通過(guò)選定的小波對(duì)仿真信號(hào)進(jìn)行小波包分解與重構(gòu),并對(duì)重構(gòu)信號(hào)進(jìn)行頻譜分析。實(shí)驗(yàn)結(jié)果表明,小波包分解能有效地提取信號(hào)的特征。為實(shí)現(xiàn)故障狀態(tài)自動(dòng)識(shí)別,研究了基于BP網(wǎng)絡(luò)的故障識(shí)別方法。以原始信號(hào)作為BP網(wǎng)絡(luò)的輸入,輸入維數(shù)大,特征不明顯,狀態(tài)識(shí)別效果差、效率低。用小波包變換對(duì)原始信號(hào)分解,以小波包能量作為特征,可以大幅度降低BP網(wǎng)絡(luò)輸入的維數(shù)。另外,小波包能量包含了時(shí)域與頻域的統(tǒng)計(jì)信息,提高了識(shí)別的正確率與效率。但是,BP網(wǎng)絡(luò)存在著局部極值問(wèn)題。受限玻爾茲曼機(jī)(Restricted Boltzmann machine,RBM)是一種深度學(xué)習(xí)網(wǎng)絡(luò),該網(wǎng)絡(luò)對(duì)維數(shù)較大的信號(hào)分類(lèi)效率高。為克服BP網(wǎng)絡(luò)的局部極值問(wèn)題,本文提出了基于小波包分解和RBM網(wǎng)絡(luò)結(jié)合的方法。實(shí)驗(yàn)結(jié)果表明,RBM網(wǎng)絡(luò)對(duì)維數(shù)較大的信號(hào)分類(lèi),其效果比BP網(wǎng)絡(luò)好。小波包分解的結(jié)果屬于時(shí)頻域統(tǒng)計(jì)信息,包含的信息比時(shí)域信號(hào)多,將小波包分解與RBM網(wǎng)絡(luò)結(jié)合的方法提高了故障識(shí)別的準(zhǔn)確性。為預(yù)測(cè)機(jī)械設(shè)備的工作狀態(tài),研究了基于RBM網(wǎng)絡(luò)的軸承運(yùn)行狀態(tài)預(yù)測(cè)方法。把實(shí)時(shí)預(yù)測(cè)信號(hào)的小波包能量值作為RBM預(yù)測(cè)網(wǎng)絡(luò)的輸入,對(duì)機(jī)械設(shè)備的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)。當(dāng)能量值出現(xiàn)變化時(shí),意味著設(shè)備狀態(tài)發(fā)生改變,可以及時(shí)地確定其運(yùn)行狀態(tài)的正常與否。
【圖文】：

1( , )2avnjE E n j 2.3.3 小波包分解與重構(gòu)實(shí)驗(yàn)構(gòu)造一個(gè)由兩個(gè)正弦函數(shù)疊加而成的信號(hào)：1 2s (t ) sin(2 f t )+sin(2 f t)（2.46）式中，1f =50Hz，2f =200Hz，，采樣頻率為 =2000Hzsf ，采樣長(zhǎng)度為 2048。原始信號(hào)如圖 2.4 所示。圖 2.4 原始信號(hào)原始信號(hào)的頻譜圖如圖 2.5 所示。

圖 2.7 節(jié)點(diǎn)（3,0）重構(gòu)信號(hào)頻譜圖構(gòu)造信號(hào)頻譜中，存在50Hz的頻率，并且50Hz在0 125Hz內(nèi)，即這個(gè)頻率在節(jié)點(diǎn)（3,0）的頻帶內(nèi)。對(duì)節(jié)點(diǎn)（3,1）重構(gòu)，得到重構(gòu)信號(hào)如圖 2.8 所示。圖 2.8 節(jié)點(diǎn)（3,1）重構(gòu)信號(hào)對(duì)節(jié)點(diǎn)（3,1）重構(gòu)，得到重構(gòu)信號(hào)頻譜圖如圖 2.9 所示。
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 曾海東;韓峰;劉瑤琳;;傅里葉分析的發(fā)展與現(xiàn)狀[J];現(xiàn)代電子技術(shù);2014年03期

2 王立臣;梁浩;;滾動(dòng)軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J];電子測(cè)試;2013年22期

3 徐科,楊德斌,徐金梧;小波變換在齒輪局部缺陷診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);1999年03期

4 高大啟;有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究[J];電路與系統(tǒng)學(xué)報(bào);1997年03期

5 趙紀(jì)元,何正嘉,孟慶豐,盧秉恒;基于小波包特征提取的模糊診斷網(wǎng)絡(luò)建立及應(yīng)用[J];振動(dòng)與沖擊;1997年03期

相關(guān)博士學(xué)位論文 前2條

1 鄧飛躍;滾動(dòng)軸承故障特征提取與診斷方法研究[D];華北電力大學(xué)(北京);2016年

2 亓學(xué)廣;基于FFT和小波變換的電力系統(tǒng)諧波檢測(cè)方法研究[D];山東科技大學(xué);2007年

相關(guān)碩士學(xué)位論文 前6條

1 王飛;基于深度學(xué)習(xí)的人臉識(shí)別算法研究[D];蘭州交通大學(xué);2017年

2 孫占龍;基于共振稀疏分解的滾動(dòng)軸承故障診斷方法研究[D];北京交通大學(xué);2017年

3 任沙;基于深度學(xué)習(xí)的手寫(xiě)數(shù)字集特征提取算法[D];湖南師范大學(xué);2016年

4 陳先昌;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D];浙江工商大學(xué);2014年

5 劉林艷;基于小波分析的高速列車(chē)安全性態(tài)評(píng)估數(shù)據(jù)特征分析[D];西南交通大學(xué);2013年

6 張衛(wèi)華;基于Alpha穩(wěn)定分布基函數(shù)概率神經(jīng)網(wǎng)絡(luò)的系統(tǒng)故障診斷研究[D];江南大學(xué);2009年

本文編號(hào)：2704506