【摘要】：滾動軸承是旋轉機械中的重要組成部分,在工業(yè)設備中起著非常重要的作用,其運行狀態(tài)對機械設備的健康狀態(tài)有著很大的影響。本文針對滾動軸承故障信號,研究了基于深度學習網絡的故障識別和狀態(tài)預測方法。為了提取信號的特征,降低信號特征空間的維數,研究了信號的小波包分解理論和方法。重點討論小波函數對信號特征分解結果的影響和小波包分解層數的確定方法。分析了以Daubechies小波(dbN,N=4,10,20)為基函數的小波包分解效果。當N越大時,尺度函數與小波函數的濾波頻帶交疊區(qū)域越小,小波包變換后各個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N達到某一值時,小波包熵值基本不變。綜合分析之后確定了小波函數。另外,根據軸承損傷的特征頻率與奈奎斯特頻率,結合理論與工程實際,確定了小波包分解的層數,為工程提供依據。通過選定的小波對仿真信號進行小波包分解與重構,并對重構信號進行頻譜分析。實驗結果表明,小波包分解能有效地提取信號的特征。為實現故障狀態(tài)自動識別,研究了基于BP網絡的故障識別方法。以原始信號作為BP網絡的輸入,輸入維數大,特征不明顯,狀態(tài)識別效果差、效率低。用小波包變換對原始信號分解,以小波包能量作為特征,可以大幅度降低BP網絡輸入的維數。另外,小波包能量包含了時域與頻域的統(tǒng)計信息,提高了識別的正確率與效率。但是,BP網絡存在著局部極值問題。受限玻爾茲曼機(Restricted Boltzmann machine,RBM)是一種深度學習網絡,該網絡對維數較大的信號分類效率高。為克服BP網絡的局部極值問題,本文提出了基于小波包分解和RBM網絡結合的方法。實驗結果表明,RBM網絡對維數較大的信號分類,其效果比BP網絡好。小波包分解的結果屬于時頻域統(tǒng)計信息,包含的信息比時域信號多,將小波包分解與RBM網絡結合的方法提高了故障識別的準確性。為預測機械設備的工作狀態(tài),研究了基于RBM網絡的軸承運行狀態(tài)預測方法。把實時預測信號的小波包能量值作為RBM預測網絡的輸入,對機械設備的運行狀態(tài)進行預測。當能量值出現變化時,意味著設備狀態(tài)發(fā)生改變,可以及時地確定其運行狀態(tài)的正常與否。
【圖文】：

1( , )2avnjE E n j 2.3.3 小波包分解與重構實驗構造一個由兩個正弦函數疊加而成的信號：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 ，采樣長度為 2048。原始信號如圖 2.4 所示。圖 2.4 原始信號原始信號的頻譜圖如圖 2.5 所示。

圖 2.7 節(jié)點（3,0）重構信號頻譜圖構造信號頻譜中，存在50Hz的頻率，并且50Hz在0 125Hz內，即這個頻率在節(jié)點（3,0）的頻帶內。對節(jié)點（3,1）重構，得到重構信號如圖 2.8 所示。圖 2.8 節(jié)點（3,1）重構信號對節(jié)點（3,1）重構，得到重構信號頻譜圖如圖 2.9 所示。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH133.33

【參考文獻】

相關期刊論文 前5條

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

2 王立臣;梁浩;;滾動軸承故障診斷技術現狀及發(fā)展趨勢[J];電子測試;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用[J];機械工程學報;1999年03期

4 高大啟;有教師的線性基本函數前向三層神經網絡結構研究[J];電路與系統(tǒng)學報;1997年03期

5 趙紀元,何正嘉,孟慶豐,盧秉恒;基于小波包特征提取的模糊診斷網絡建立及應用[J];振動與沖擊;1997年03期

相關博士學位論文 前2條

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

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

相關碩士學位論文 前6條

1 王飛;基于深度學習的人臉識別算法研究[D];蘭州交通大學;2017年

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

3 任沙;基于深度學習的手寫數字集特征提取算法[D];湖南師范大學;2016年

4 陳先昌;基于卷積神經網絡的深度學習算法與應用研究[D];浙江工商大學;2014年

5 劉林艷;基于小波分析的高速列車安全性態(tài)評估數據特征分析[D];西南交通大學;2013年

6 張衛(wèi)華;基于Alpha穩(wěn)定分布基函數概率神經網絡的系統(tǒng)故障診斷研究[D];江南大學;2009年

本文編號：2704506