發(fā)布時(shí)間：2020-10-11 16:01

　　 滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械中的關(guān)鍵部件,其健康狀態(tài)關(guān)系著整個(gè)機(jī)械設(shè)備的穩(wěn)定運(yùn)行。實(shí)時(shí)監(jiān)測(cè)滾動(dòng)軸承的運(yùn)行狀態(tài),并及時(shí)發(fā)現(xiàn)故障出現(xiàn)的位置以及故障嚴(yán)重程度,能夠有效確保人機(jī)安全和減少經(jīng)濟(jì)損失。但在滾動(dòng)軸承實(shí)際工作中,常伴隨著不同噪聲干擾、不同工作負(fù)荷的情況,而傳統(tǒng)的特征提取和模式識(shí)別相結(jié)合的故障診斷方法,很難自適應(yīng)地解決復(fù)雜易變工況下的滾動(dòng)軸承故障診斷問(wèn)題。本文在總結(jié)歸納前人研究工作的基礎(chǔ)上,針對(duì)上述問(wèn)題,基于AlexNet研究了滾動(dòng)軸承變工況故障診斷的方法:(1)針對(duì)旋轉(zhuǎn)機(jī)械中的滾動(dòng)軸承常工作在變負(fù)荷、強(qiáng)噪聲的環(huán)境中,而傳統(tǒng)的滾動(dòng)軸承故障診斷方法難以在復(fù)雜工況下自適應(yīng)地提取對(duì)其故障診斷有利特征的問(wèn)題,提出一種基于改進(jìn)AlexNet的滾動(dòng)軸承變負(fù)荷故障診斷方法。首先,將采集的一維的時(shí)域信號(hào)按橫向插樣構(gòu)建便于改進(jìn)AlexNet輸入的二維特征圖;其次,經(jīng)過(guò)改進(jìn)AlexNet的卷積和次采樣等操作從二維特征圖中自動(dòng)提取出利于滾動(dòng)軸承狀態(tài)辨識(shí)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(shí)現(xiàn)對(duì)滾動(dòng)軸承故障的診斷。通過(guò)反映不同工況下的12種滾動(dòng)軸承故障狀態(tài)的振動(dòng)信號(hào)來(lái)驗(yàn)證該方法的有效性。(2)現(xiàn)實(shí)中滾動(dòng)軸承的工況復(fù)雜易變,無(wú)法有效地對(duì)其進(jìn)行故障診斷,對(duì)此,提出一種基于粒子群優(yōu)化的細(xì)菌覓食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改進(jìn)AlexNet的滾動(dòng)軸承故障診斷方法。該方法首先將AlexNet的結(jié)構(gòu)簡(jiǎn)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(xùn)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(xùn)練改進(jìn)AlexNet后的變負(fù)荷樣本診斷精度為適應(yīng)度函數(shù),并結(jié)合PSO中粒子移動(dòng)速度的更新方法更新BFA中細(xì)菌的游動(dòng)方向來(lái)尋找改進(jìn)AlexNet的結(jié)構(gòu)等相關(guān)參數(shù);最后根據(jù)PSO-BFA所得的參數(shù),以相同的訓(xùn)練方法大樣本、多迭代次數(shù)訓(xùn)練改進(jìn)AlexNet,實(shí)現(xiàn)復(fù)雜工況下滾動(dòng)軸承多狀態(tài)故障診斷。通過(guò)反映不同工況下的16種滾動(dòng)軸承故障狀態(tài)的振動(dòng)信號(hào)來(lái)驗(yàn)證該方法的有效性。(3)滾動(dòng)軸承工況復(fù)雜多變,但基于傳統(tǒng)機(jī)器學(xué)習(xí)的智能故障診斷方法對(duì)滾動(dòng)軸承的工況和樣本依賴(lài)性強(qiáng),嚴(yán)重影響滾動(dòng)軸承智能故障診斷方法的泛化性能,對(duì)此,提出一種基于改進(jìn)AlexNet特征遷移的滾動(dòng)軸承變工況故障診斷方法。首先,利用某種負(fù)荷下的滾動(dòng)軸承故障樣本預(yù)訓(xùn)練改進(jìn)AlexNet的故障診斷模型,并在訓(xùn)練完成后保存網(wǎng)絡(luò)前幾層的權(quán)值;然后根據(jù)保存的權(quán)值參數(shù)分別提取訓(xùn)練樣本和不同負(fù)荷的測(cè)試樣本的特征,并用最大均值差異(Maximum Mean Difference,MMD)度量?jī)深?lèi)樣本特征的距離;最后以最大均值差異與訓(xùn)練樣本的softmax損失函數(shù)的加權(quán)和為目標(biāo)函數(shù),自適應(yīng)地調(diào)整滾動(dòng)軸承變工況故障診斷模型以提高變負(fù)荷故障診斷精度。通過(guò)反映不同工況下的16種滾動(dòng)軸承故障狀態(tài)的振動(dòng)信號(hào)來(lái)驗(yàn)證該方法的有效性。(4)針對(duì)滾動(dòng)軸承變工況故障診斷過(guò)程中,過(guò)強(qiáng)的噪聲和有限的帶標(biāo)簽樣本將給滾動(dòng)軸承變工況故障診斷帶來(lái)極大困難的問(wèn)題,提出一種基于稀疏去噪和改進(jìn)AlexNet特征遷移的滾動(dòng)軸承變工況故障診斷方法。首先,利用某種負(fù)荷下反映滾動(dòng)軸承故障狀態(tài)的樣本完成改進(jìn)AlexNet的訓(xùn)練過(guò)程,并保存前五層權(quán)值參數(shù);其次,依據(jù)訓(xùn)練樣本設(shè)計(jì)初始化過(guò)完備字典庫(kù),通過(guò)K-奇異值分解(K-Singular Value Decomposition,K-SVD)方法自適應(yīng)地選擇更新過(guò)完備字典,并通過(guò)正交匹配追蹤(Orthogonal Matching Pursuit,OMP)重構(gòu)信號(hào)達(dá)到去噪目的;最后,以訓(xùn)練樣本的softmax交叉熵值與訓(xùn)練樣本特征和測(cè)試樣本特征MMD的加權(quán)和為損失函數(shù)在線調(diào)整改進(jìn)AlexNet后三層的權(quán)值,以完成滾動(dòng)軸承變工況的故障診斷。通過(guò)反映不同工況下的16種滾動(dòng)軸承故障狀態(tài)的振動(dòng)信號(hào)驗(yàn)證該方法的有效性。
【學(xué)位單位】：蘭州理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：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(dòng)軸承故障診斷的研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 滾動(dòng)軸承故障診斷方法概述
        1.3.1 基于傳統(tǒng)方法的滾動(dòng)軸承故障診斷
        1.3.2 基于深度學(xué)習(xí)的滾動(dòng)軸承故障診斷
    1.4 卷積神經(jīng)網(wǎng)絡(luò)
    1.5 本文研究?jī)?nèi)容及組織結(jié)構(gòu)
第2章 基于改進(jìn)AlexNet的滾動(dòng)軸承故障診斷
    2.1 引言
    2.2 AlexNet模型
        2.2.1 AlexNet模型結(jié)構(gòu)
        2.2.2 softmax分類(lèi)器
    2.3 基于改進(jìn)AlexNet的滾動(dòng)軸承故障診斷
        2.3.1 輸入拓?fù)浣Y(jié)構(gòu)
        2.3.2 改進(jìn)AlexNet
        2.3.3 基于Adam的權(quán)值參數(shù)優(yōu)化
        2.3.4 方法步驟
    2.4 實(shí)驗(yàn)與分析
        2.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        2.4.2 模型結(jié)構(gòu)參數(shù)選取
        2.4.3 復(fù)雜工況下滾動(dòng)軸承故障診斷性能分析
    2.5 本章小結(jié)
第3章 基于PSO-BFA和改進(jìn)AlexNet的滾動(dòng)軸承故障診斷
    3.1 引言
    3.2 細(xì)菌覓食算法
    3.3 基于PSO-BFA和改進(jìn)AlexNet的滾動(dòng)軸承故障診斷
        3.3.1 適應(yīng)度函數(shù)
        3.3.2 基于PSO-BFA的改進(jìn)AlexNet相關(guān)參數(shù)尋優(yōu)
        3.3.3 方法步驟
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 參數(shù)尋優(yōu)
        3.4.3 復(fù)雜工況下滾動(dòng)軸承故障診斷性能分析
    3.5 本章小結(jié)
第4章 基于改進(jìn)AlexNet特征遷移的滾動(dòng)軸承故障診斷
    4.1 引言
    4.2 遷移學(xué)習(xí)
    4.3 基于改進(jìn)AlexNet特征遷移的滾動(dòng)軸承故障診斷
        4.3.1 遷移成分分析
        4.3.2 改進(jìn)AlexNet特征遷移
        4.3.3 方法步驟
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 模型結(jié)構(gòu)參數(shù)
        4.4.3 復(fù)雜工況下滾動(dòng)軸承故障診斷性能分析
    4.5 本章小結(jié)
第5章 基于稀疏去噪和改進(jìn)AlexNet特征遷移的滾動(dòng)軸承故障診斷
    5.1 引言
    5.2 信號(hào)稀疏表示
    5.3 基于稀疏去噪和改進(jìn)AlexNet特征遷移的滾動(dòng)軸承故障診斷
        5.3.1 過(guò)完備字典構(gòu)造
        5.3.2 滾動(dòng)軸承含噪振動(dòng)信號(hào)的稀疏去噪
        5.3.3 方法步驟
    5.4 實(shí)驗(yàn)分析
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)及模型參數(shù)
        5.4.2 復(fù)雜工況下滾動(dòng)軸承故障診斷性能分析
    5.5 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
致謝
附錄 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂鴻蒙;趙地;遲學(xué)斌;;基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J];計(jì)算機(jī)科學(xué);2017年S1期

2 呂軍;夏華鹍;方夢(mèng)瑞;周禮贊;;基于AlexNet的茶葉嫩芽狀態(tài)智能識(shí)別研究[J];黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào);2019年02期

3 苗開(kāi)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(jiàn)度估測(cè)方法[J];計(jì)算機(jī)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(xué)習(xí)網(wǎng)絡(luò)的串聯(lián)故障電弧檢測(cè)方法[J];電子測(cè)量與儀器學(xué)報(bào);2019年03期

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

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

7 蘇思悅;付瑩;來(lái)林靜;;結(jié)合單目標(biāo)多窗口檢測(cè)器和AlexNet的螺母檢測(cè)[J];中國(guó)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(diǎn)檢測(cè)算法[J];信息技術(shù)與網(wǎng)絡(luò)安全;2018年04期

9 段友祥;李鈺;孫歧峰;徐冬勝;;改進(jìn)的Alexnet模型及在油井示功圖分類(lèi)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)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(shí)別[J];計(jì)算機(jī)應(yīng)用與軟件;2019年02期

相關(guān)碩士學(xué)位論文 前5條

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

2 紀(jì)宇;基于AlexNet模型的高速公路擁堵?tīng)顟B(tài)識(shí)別[D];長(zhǎng)安大學(xué);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(xué);2016年

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

5 劉崢強(qiáng);深度學(xué)習(xí)算法在車(chē)牌識(shí)別系統(tǒng)中的應(yīng)用[D];電子科技大學(xué);2016年

本文編號(hào)：2836810