滾動軸承作為旋轉機械中的關鍵部件,其健康狀態(tài)關系著整個機械設備的穩(wěn)定運行。實時監(jiān)測滾動軸承的運行狀態(tài),并及時發(fā)現(xiàn)故障出現(xiàn)的位置以及故障嚴重程度,能夠有效確保人機安全和減少經(jīng)濟損失。但在滾動軸承實際工作中,常伴隨著不同噪聲干擾、不同工作負荷的情況,而傳統(tǒng)的特征提取和模式識別相結合的故障診斷方法,很難自適應地解決復雜易變工況下的滾動軸承故障診斷問題。本文在總結歸納前人研究工作的基礎上,針對上述問題,基于AlexNet研究了滾動軸承變工況故障診斷的方法:(1)針對旋轉機械中的滾動軸承常工作在變負荷、強噪聲的環(huán)境中,而傳統(tǒng)的滾動軸承故障診斷方法難以在復雜工況下自適應地提取對其故障診斷有利特征的問題,提出一種基于改進AlexNet的滾動軸承變負荷故障診斷方法。首先,將采集的一維的時域信號按橫向插樣構建便于改進AlexNet輸入的二維特征圖;其次,經(jīng)過改進AlexNet的卷積和次采樣等操作從二維特征圖中自動提取出利于滾動軸承狀態(tài)辨識的特征;最后,以softmax的交叉熵為損失函數(shù),利用Adam按小批量迭代優(yōu)化法實現(xiàn)對滾動軸承故障的診斷。通過反映不同工況下的12種滾動軸承故障狀態(tài)的振動信號來驗證該方法的有效性。(2)現(xiàn)實中滾動軸承的工況復雜易變,無法有效地對其進行故障診斷,對此,提出一種基于粒子群優(yōu)化的細菌覓食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改進AlexNet的滾動軸承故障診斷方法。該方法首先將AlexNet的結構簡化,并分別在其前兩層池化層之后添置局部歸一化層以降低訓練成本;然后以小批量樣本softmax的交叉熵為損失函數(shù),且按Adam迭代優(yōu)化法小樣本、少迭代次數(shù)訓練改進AlexNet后的變負荷樣本診斷精度為適應度函數(shù),并結合PSO中粒子移動速度的更新方法更新BFA中細菌的游動方向來尋找改進AlexNet的結構等相關參數(shù);最后根據(jù)PSO-BFA所得的參數(shù),以相同的訓練方法大樣本、多迭代次數(shù)訓練改進AlexNet,實現(xiàn)復雜工況下滾動軸承多狀態(tài)故障診斷。通過反映不同工況下的16種滾動軸承故障狀態(tài)的振動信號來驗證該方法的有效性。(3)滾動軸承工況復雜多變,但基于傳統(tǒng)機器學習的智能故障診斷方法對滾動軸承的工況和樣本依賴性強,嚴重影響滾動軸承智能故障診斷方法的泛化性能,對此,提出一種基于改進AlexNet特征遷移的滾動軸承變工況故障診斷方法。首先,利用某種負荷下的滾動軸承故障樣本預訓練改進AlexNet的故障診斷模型,并在訓練完成后保存網(wǎng)絡前幾層的權值;然后根據(jù)保存的權值參數(shù)分別提取訓練樣本和不同負荷的測試樣本的特征,并用最大均值差異(Maximum Mean Difference,MMD)度量兩類樣本特征的距離;最后以最大均值差異與訓練樣本的softmax損失函數(shù)的加權和為目標函數(shù),自適應地調整滾動軸承變工況故障診斷模型以提高變負荷故障診斷精度。通過反映不同工況下的16種滾動軸承故障狀態(tài)的振動信號來驗證該方法的有效性。(4)針對滾動軸承變工況故障診斷過程中,過強的噪聲和有限的帶標簽樣本將給滾動軸承變工況故障診斷帶來極大困難的問題,提出一種基于稀疏去噪和改進AlexNet特征遷移的滾動軸承變工況故障診斷方法。首先,利用某種負荷下反映滾動軸承故障狀態(tài)的樣本完成改進AlexNet的訓練過程,并保存前五層權值參數(shù);其次,依據(jù)訓練樣本設計初始化過完備字典庫,通過K-奇異值分解(K-Singular Value Decomposition,K-SVD)方法自適應地選擇更新過完備字典,并通過正交匹配追蹤(Orthogonal Matching Pursuit,OMP)重構信號達到去噪目的;最后,以訓練樣本的softmax交叉熵值與訓練樣本特征和測試樣本特征MMD的加權和為損失函數(shù)在線調整改進AlexNet后三層的權值,以完成滾動軸承變工況的故障診斷。通過反映不同工況下的16種滾動軸承故障狀態(tài)的振動信號驗證該方法的有效性。
【學位單位】：蘭州理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TH133.33
【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 滾動軸承故障診斷的研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 滾動軸承故障診斷方法概述
        1.3.1 基于傳統(tǒng)方法的滾動軸承故障診斷
        1.3.2 基于深度學習的滾動軸承故障診斷
    1.4 卷積神經(jīng)網(wǎng)絡
    1.5 本文研究內(nèi)容及組織結構
第2章 基于改進AlexNet的滾動軸承故障診斷
    2.1 引言
    2.2 AlexNet模型
        2.2.1 AlexNet模型結構
        2.2.2 softmax分類器
    2.3 基于改進AlexNet的滾動軸承故障診斷
        2.3.1 輸入拓撲結構
        2.3.2 改進AlexNet
        2.3.3 基于Adam的權值參數(shù)優(yōu)化
        2.3.4 方法步驟
    2.4 實驗與分析
        2.4.1 實驗數(shù)據(jù)集
        2.4.2 模型結構參數(shù)選取
        2.4.3 復雜工況下滾動軸承故障診斷性能分析
    2.5 本章小結
第3章 基于PSO-BFA和改進AlexNet的滾動軸承故障診斷
    3.1 引言
    3.2 細菌覓食算法
    3.3 基于PSO-BFA和改進AlexNet的滾動軸承故障診斷
        3.3.1 適應度函數(shù)
        3.3.2 基于PSO-BFA的改進AlexNet相關參數(shù)尋優(yōu)
        3.3.3 方法步驟
    3.4 實驗與分析
        3.4.1 實驗數(shù)據(jù)
        3.4.2 參數(shù)尋優(yōu)
        3.4.3 復雜工況下滾動軸承故障診斷性能分析
    3.5 本章小結
第4章 基于改進AlexNet特征遷移的滾動軸承故障診斷
    4.1 引言
    4.2 遷移學習
    4.3 基于改進AlexNet特征遷移的滾動軸承故障診斷
        4.3.1 遷移成分分析
        4.3.2 改進AlexNet特征遷移
        4.3.3 方法步驟
    4.4 實驗與分析
        4.4.1 實驗數(shù)據(jù)
        4.4.2 模型結構參數(shù)
        4.4.3 復雜工況下滾動軸承故障診斷性能分析
    4.5 本章小結
第5章 基于稀疏去噪和改進AlexNet特征遷移的滾動軸承故障診斷
    5.1 引言
    5.2 信號稀疏表示
    5.3 基于稀疏去噪和改進AlexNet特征遷移的滾動軸承故障診斷
        5.3.1 過完備字典構造
        5.3.2 滾動軸承含噪振動信號的稀疏去噪
        5.3.3 方法步驟
    5.4 實驗分析
        5.4.1 實驗數(shù)據(jù)及模型參數(shù)
        5.4.2 復雜工況下滾動軸承故障診斷性能分析
    5.5 本章小結
總結與展望
    總結
    展望
參考文獻
致謝
附錄 攻讀碩士學位期間所發(fā)表的學術論文

【相似文獻】

相關期刊論文 前10條

1 呂鴻蒙;趙地;遲學斌;;基于增強AlexNet的深度學習的阿爾茨海默病的早期診斷[J];計算機科學;2017年S1期

2 呂軍;夏華鹍;方夢瑞;周禮贊;;基于AlexNet的茶葉嫩芽狀態(tài)智能識別研究[J];黑龍江八一農(nóng)墾大學學報;2019年02期

3 苗開超;王傳輝;張亞力;周建平;劉承曉;姚葉青;;基于AlexNet算法的道路能見度估測方法[J];計算機與現(xiàn)代化;2019年06期

4 余瓊芳;黃高路;楊藝;孫巖洲;;基于AlexNet深度學習網(wǎng)絡的串聯(lián)故障電弧檢測方法[J];電子測量與儀器學報;2019年03期

5 余宸希;;基于Alexnet神經(jīng)網(wǎng)絡的物體識別研究[J];電子制作;2019年12期

6 潘衛(wèi)軍;段英捷;張強;吳鄭源;劉皓晨;;基于AlexNet卷積神經(jīng)網(wǎng)絡的激光雷達飛機尾渦識別研究[J];光電工程;2019年07期

7 蘇思悅;付瑩;來林靜;;結合單目標多窗口檢測器和AlexNet的螺母檢測[J];中國科技論文;2018年04期

8 陳東敏;姚劍敏;;基于優(yōu)化的并行AlexNet人臉特征點檢測算法[J];信息技術與網(wǎng)絡安全;2018年04期

9 段友祥;李鈺;孫歧峰;徐冬勝;;改進的Alexnet模型及在油井示功圖分類中的應用[J];計算機應用與軟件;2018年07期

10 李寧;王雨萱;徐守坤;石林;;基于AlexNet的小樣本水面漂浮物識別[J];計算機應用與軟件;2019年02期

相關碩士學位論文 前5條

1 張青青;基于改進AlexNet的滾動軸承變工況故障診斷研究[D];蘭州理工大學;2019年

2 紀宇;基于AlexNet模型的高速公路擁堵狀態(tài)識別[D];長安大學;2018年

3 張俊;基于AlexNet融合特征的圖像檢索研究[D];重慶郵電大學;2016年

4 李慧慧;基于深度卷積神經(jīng)網(wǎng)絡的霧霾環(huán)境下車型識別算法研究[D];中北大學;2017年

5 劉崢強;深度學習算法在車牌識別系統(tǒng)中的應用[D];電子科技大學;2016年

本文編號：2836810