滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械的重要部位,其工作狀態(tài)的好壞直接影響整個(gè)設(shè)備的工作性能,且軸承運(yùn)行環(huán)境復(fù)雜,極易發(fā)生故障,而軸承故障往往會(huì)造成嚴(yán)重的事故,因此,對(duì)滾動(dòng)軸承進(jìn)行準(zhǔn)確的故障識(shí)別與分類(lèi)是工程應(yīng)用中至關(guān)重要的問(wèn)題。隨著現(xiàn)代工業(yè)的快速發(fā)展,更多的機(jī)械設(shè)備加入到工業(yè)生產(chǎn),軸承故障頻發(fā),軸承故障呈現(xiàn)出一種“大數(shù)據(jù)”的特性,使得BP神經(jīng)網(wǎng)絡(luò)等其他淺層模型面臨維數(shù)災(zāi)難等問(wèn)題,且現(xiàn)場(chǎng)獲取的故障數(shù)據(jù)往往是不完備和無(wú)標(biāo)簽的,因此,傳統(tǒng)模式識(shí)別的方法很難建立有效的診斷模型,亟需具有自學(xué)習(xí)能力的診斷算法及模型的開(kāi)發(fā)與研究,這已成為當(dāng)前主要研究熱點(diǎn)和亟待解決的問(wèn)題之一。深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)采用無(wú)監(jiān)督逐層貪婪的訓(xùn)練方法,可避免特征提取與選擇的人工操作,具有處理高維、非線性數(shù)據(jù)的能力,能有效地防止發(fā)生維數(shù)災(zāi)難等問(wèn)題,非常適合處理新時(shí)期工業(yè)“大數(shù)據(jù)”的故障診斷難題。前期研究已表明,DBN的一個(gè)顯著特點(diǎn)是可直接從低層原始信號(hào)出發(fā),通過(guò)逐層貪婪學(xué)習(xí)得到高層特征表示,故本文從滾動(dòng)軸承的原始數(shù)據(jù)出發(fā),結(jié)合S變換和貝葉斯分類(lèi)器,提出一種基于兩級(jí)深度置信網(wǎng)絡(luò)(DBN)的滾動(dòng)軸承故障自學(xué)習(xí)方法,主要研究?jī)?nèi)容如下:(1)建立一個(gè)多隱層的DBN網(wǎng)絡(luò),在故障類(lèi)型完備故障損傷等級(jí)不完備的情況下,直接將原始軸承故障數(shù)據(jù)歸一化處理后作為DBN的輸入,經(jīng)過(guò)DBN的特征提取與分類(lèi)器的分類(lèi),實(shí)現(xiàn)故障類(lèi)型的準(zhǔn)確識(shí)別,并將其與BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)效果進(jìn)行了對(duì)比,結(jié)果表明DBN具有其他淺層網(wǎng)絡(luò)不可比擬的特征提取能力。(2)利用DBN強(qiáng)大的特征提取能力,建立兩級(jí)DBN滾動(dòng)軸承故障自學(xué)習(xí)模型。首先,建立DBN1故障類(lèi)型自學(xué)習(xí)模型,對(duì)原始軸承故障數(shù)據(jù)做S變換處理后,求取S變換模矩陣,其結(jié)果是一個(gè)二維矩陣,行代表頻率,列代表時(shí)間,通過(guò)提取時(shí)間列的幅值均值信息作為DBN1的輸入用于提取特征,將提取的特征作為貝葉斯分類(lèi)器的輸入,對(duì)貝葉斯分類(lèi)器輸出的后驗(yàn)概率劃分合理的屬于相同故障類(lèi)型或不同故障類(lèi)型的置信區(qū)間,實(shí)現(xiàn)故障類(lèi)型分類(lèi)模型的自學(xué)習(xí)。其次,建立DBN2故障損傷等級(jí)自學(xué)習(xí)模型,對(duì)實(shí)現(xiàn)故障類(lèi)型識(shí)別的數(shù)據(jù)進(jìn)行故障損傷等級(jí)的分類(lèi),把這些數(shù)據(jù)歸一化處理后作為DBN2的輸入用于提取特征,將提取的特征作為貝葉斯分類(lèi)器的輸入,選擇與故障類(lèi)型分類(lèi)相同的置信區(qū)間劃分方法,實(shí)現(xiàn)故障損傷等級(jí)分類(lèi)模型的自學(xué)習(xí)。最后,通過(guò)該兩級(jí)DBN分類(lèi)模型實(shí)現(xiàn)軸承故障類(lèi)型與損傷等級(jí)的智能分類(lèi)。
【學(xué)位單位】：內(nèi)蒙古工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TH133.33
【部分圖文】：

的典型故障及其數(shù)據(jù)來(lái)源活中應(yīng)用廣泛，由于長(zhǎng)時(shí)間處在高速障，從而造成不可挽回的損失，因此需大限度的發(fā)揮軸承的工作潛力，減少財(cái)障形式，以便制定合理的處理方案。構(gòu)及其典型故障圈、外圈、滾動(dòng)體和保持架四個(gè)部分圈作為支撐，和軸承座相配合；滾動(dòng)體的形狀、大小以及數(shù)量對(duì)滾動(dòng)軸承的使?jié)L動(dòng)體均勻分布，引導(dǎo)滾動(dòng)體旋轉(zhuǎn)，起

圖 2-2 軸承試驗(yàn)裝置Fig.2-2 Bearings Test Device故障類(lèi)型對(duì)應(yīng)不同的故障特征頻率，特征頻率的計(jì)算可根據(jù)軸承信計(jì)算方法如下：頻率：(1cos)2160 Ddnrfo頻率:(1cos)2160 Ddnrfi障頻率：[1()cos)216022 DddrDfb r 為軸承轉(zhuǎn)速，單位轉(zhuǎn)/分鐘；n 為滾珠個(gè)數(shù)；d 代表滾動(dòng)體直徑；為滾動(dòng)體接觸角。

（c）滾動(dòng)體信號(hào) （d）外圈信號(hào)圖 2-3 四種類(lèi)型振動(dòng)信號(hào)在故障損傷等級(jí)為 0.007inch 時(shí)的 S 變換時(shí)頻譜圖Fig.2-3 S transformation time-frequency diagram of four types signals of failure level for four types vibration signals is 0.007inch（a）內(nèi)圈信號(hào) （b）滾動(dòng)體信號(hào)
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 李艷峰;王新晴;張梅軍;朱會(huì)杰;;基于奇異值分解和深度信度網(wǎng)絡(luò)多分類(lèi)器的滾動(dòng)軸承故障診斷方法[J];上海交通大學(xué)學(xué)報(bào);2015年05期

2 耶曉東;;滾動(dòng)軸承故障振動(dòng)信號(hào)的分析方法研究[J];煤礦機(jī)械;2012年12期

3 侯樹(shù)杰;;時(shí)頻分析方法對(duì)比及S變換在地震數(shù)據(jù)處理中的應(yīng)用[J];油氣地質(zhì)與采收率;2011年03期

相關(guān)碩士學(xué)位論文 前7條

1 劉晶;基于能量算子的滾動(dòng)軸承故障診斷研究[D];華東交通大學(xué);2018年

2 田浩;基于HHT和XGBoost的風(fēng)電機(jī)組滾動(dòng)軸承故障診斷研究[D];新疆大學(xué);2018年

3 王振華;基于ESMD和SVM的滾動(dòng)軸承故障診斷研究[D];陜西理工大學(xué);2018年

4 劉向宇;免疫自適應(yīng)的深度卷積神經(jīng)網(wǎng)絡(luò)故障診斷應(yīng)用研究[D];太原理工大學(xué);2018年

5 張士強(qiáng);基于深度學(xué)習(xí)的故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

6 趙懷山;基于時(shí)頻分析的滾動(dòng)軸承故障診斷方法研究[D];西安理工大學(xué);2017年

7 孫長(zhǎng)蘋(píng);S變換地震信號(hào)薄層預(yù)測(cè)處理技術(shù)[D];東北石油大學(xué);2011年

本文編號(hào)：2862478