在智能制造、大數(shù)據(jù)的工業(yè)背景下,如何利用制造系統(tǒng)中問題的發(fā)生和解決過程中產(chǎn)生的大數(shù)據(jù)顯得尤為重要,如何利用大數(shù)據(jù)去推動智能制造的發(fā)展也越來越關(guān)鍵。裝備、維護均屬于智能制造的核心要素,并且過去三次的工業(yè)革命也都有圍繞這兩個核心要素進行技術(shù)升級。生產(chǎn)系統(tǒng)的正常運轉(zhuǎn)需要可靠的機械設(shè)備健康管理系統(tǒng)來做指導,但生產(chǎn)系統(tǒng)的隱患會導致不同的故障類型,而不同的故障類型給生產(chǎn)系統(tǒng)所造成的影響不同,在深度學習的基礎(chǔ)上如何利用工業(yè)數(shù)據(jù)提高對機械零部件故障診斷的識別分類精度是本文的研究重點。首先研究了如何用快速傅里葉變換使振動信號的時域信號轉(zhuǎn)換到頻域信號,并且提取跟振動信號有較強關(guān)聯(lián)的、可被量化的、有效的健康特征,在振動信號中加入了高斯噪聲提高了故障診斷模型中神經(jīng)網(wǎng)絡(luò)的泛化性。針對工業(yè)環(huán)境采集的低信噪比的數(shù)據(jù),提出用最大重疊離散小波變換來對振動信號進行降噪,并得出快速譜峭度圖,該方法可以減少神經(jīng)網(wǎng)絡(luò)模型的參數(shù),在提高了模型診斷精度的同時也加快了神經(jīng)網(wǎng)絡(luò)的收斂速度。通過對神經(jīng)網(wǎng)絡(luò)的研究,基于深度學習tensorflow的框架搭建了神經(jīng)網(wǎng)絡(luò),利用快速傅里葉變換來得到的特征指標來作為神經(jīng)網(wǎng)絡(luò)的輸入,該模型在凱斯西儲... 

【文章來源】：貴州大學貴州省 211工程院校

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

機械故障分布圖

所以本次論文研究相關(guān)實驗也采用 CWRU 數(shù)據(jù)集[30]。實驗平臺（圖2.1）由測力測量器、編碼器、扭矩傳感器、2 馬力的電動機四部分組成，通過振動信號采集裝置加速度傳感器來獲取滾動軸承的狀態(tài)信息，加速度傳感器的安裝位置通常安裝在電機殼驅(qū)動端或風扇端軸承座的正 12 點位置。圖 2.1 實驗平臺滾動軸承內(nèi)部結(jié)構(gòu)與軸承故障位置示意圖如下：圖 2.2 軸承故障圖中 2.2 所示為該實驗平臺中滾動軸承狀態(tài)中的四大類軸承狀態(tài)：正常、滾動體故障、外圈故障、內(nèi)圈故障。軸承故障通過電火花的加工來得到外圈、內(nèi)圈以及滾動體上的點蝕故障，該故障數(shù)據(jù)集的軸承損傷直徑根據(jù)故障深度劃分為三個等級：0.007inch=7mils=0.1778mm,0.014inch=14mils=0.3556mm,0.021inch=21mils=0.5334mm用來采集故障軸承的振動加速度信號的加速度傳感器布置在電動機風扇端和驅(qū)動端的軸承座的上。在軸承座的 12 點鐘方向吸附著用來采集振動信號的加速度傳感

凱斯西儲大學軸承中心軸承故障診斷的數(shù)據(jù)集（CWRU）是目前最有權(quán)威性的公開數(shù)據(jù)集之一，所以本次論文研究相關(guān)實驗也采用 CWRU 數(shù)據(jù)集[30]。實驗平臺（圖2.1）由測力測量器、編碼器、扭矩傳感器、2 馬力的電動機四部分組成，通過振動信號采集裝置加速度傳感器來獲取滾動軸承的狀態(tài)信息，加速度傳感器的安裝位置通常安裝在電機殼驅(qū)動端或風扇端軸承座的正 12 點位置。圖 2.1 實驗平臺滾動軸承內(nèi)部結(jié)構(gòu)與軸承故障位置示意圖如下：

【參考文獻】：
期刊論文
[1]基于FFT與CS-SVM的滾動軸承故障診斷[J]. 解曉婷,李少波,楊觀賜,劉國凱,姚雪梅.  組合機床與自動化加工技術(shù). 2019(04)
[2]基于特征提取與識別兩階段的汽車電機軸承故障診斷[J]. 李遠軍,孫繼炫.  電子測量與儀器學報. 2019(02)
[3]基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠韜.  振動與沖擊. 2018(19)
[4]基于自參考自適應消噪的行星輪軸承內(nèi)圈故障特征提取[J]. 賀東臺,郭瑜,伍星,劉志琦,趙磊.  振動與沖擊. 2018(17)
[5]EEMD降噪與倒頻譜分析在風電軸承故障診斷中的應用[J]. 李紅,孫冬梅,沈玉成.  機床與液壓. 2018(13)
[6]基于時域同步平均與分離技術(shù)的齒輪箱振動信號混沌特性驗證[J]. 李杰,趙建民.  機械傳動. 2018(07)
[7]基于深度卷積網(wǎng)絡(luò)的電熔鎂爐欠燒工況在線識別[J]. 盧紹文,王克棟,吳志偉,李鵬琦,郭章.  控制與決策. 2019(07)
[8]群智能算法優(yōu)化支持向量機參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學報. 2018(01)
[9]基于小波消噪和優(yōu)化支持向量機的板形模式識別[J]. 吳忠強,康曉華,于丹琦.  中國機械工程. 2018(01)
[10]基于SVD優(yōu)化LMD的電梯導靴振動信號故障特征提取[J]. 陶然,許有才,鄧方華,郭澍,李新仕,茍敏,李琨,王華.  振動與沖擊. 2017(22)

博士論文
[1]基于循環(huán)平穩(wěn)信號處理的滾動軸承故障診斷方法研究[D]. 周福昌.上海交通大學 2006

碩士論文
[1]風光儲能電站數(shù)據(jù)分析與評價模型研究[D]. 魏婭.北方工業(yè)大學 2016
[2]智能倒頻譜及其在故障診斷中的應用研究[D]. 郭艷均.鄭州大學 2015
[3]基于布谷鳥算法的鋁熱連軋軋制規(guī)程優(yōu)化[D]. 陳偉明.燕山大學 2014
[4]基于EMD的滾動軸承故障診斷方法的研究[D]. 陸小明.蘇州大學 2012
[5]高速牽引電機軸承試驗與測試研究[D]. 陳東雷.北京交通大學 2009
[6]旋轉(zhuǎn)機械故障特征提取技術(shù)及其系統(tǒng)研究[D]. 張韌.浙江大學 2004



本文編號：2915483