工業(yè)是國家綜合國力的重要表現(xiàn),而機(jī)械設(shè)備在工業(yè)領(lǐng)域中是必不可少的要素。工業(yè)領(lǐng)域中機(jī)械設(shè)備越來越系統(tǒng)化、復(fù)雜化和智能化,滾動軸承作為機(jī)械設(shè)備的重要組成部分,一旦發(fā)生故障,將會直接導(dǎo)致機(jī)械設(shè)備運(yùn)行失常,甚至威脅到人們的生命和財產(chǎn)安全。因此,對滾動軸承的故障進(jìn)行研究具有重要的理論意義和應(yīng)用價值。本文研究了基于深度學(xué)習(xí)的滾動軸承故障診斷技術(shù),主要的工作如下:首先,對傳統(tǒng)故障診斷方法和深度學(xué)習(xí)方法在機(jī)械故障診斷領(lǐng)域中的應(yīng)用進(jìn)行分析,并且深入研究了兩種典型深度學(xué)習(xí)方法。針對深度神經(jīng)網(wǎng)絡(luò)對原始信號的故障特征提取能力較差的問題,研究了不同的數(shù)據(jù)切分方法對神經(jīng)網(wǎng)絡(luò)故障提取能力的影響,改進(jìn)了數(shù)據(jù)切分方法。該方法通過旋轉(zhuǎn)機(jī)械的轉(zhuǎn)速和傳感器采樣頻率來計算樣本長度和滑動采樣間隔長度。通過實驗分析,該方法能夠顯著地提升深度神經(jīng)網(wǎng)絡(luò)從時域振動數(shù)據(jù)中提取故障特征的能力。然后,針對訓(xùn)練數(shù)據(jù)較少導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)泛化能力變差的問題,分析了時域信號的特征,提出一種適用于時域振動數(shù)據(jù)的數(shù)據(jù)增強(qiáng)方法。該方法通過對單類別的樣本平均切分為兩個部分,然后將兩個部分的樣本重新隨機(jī)組合成新的樣本,達(dá)到對該類樣本數(shù)據(jù)增強(qiáng)的目的。通過實驗驗證... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

滾動軸承的應(yīng)用隨著“互聯(lián)網(wǎng)+”、“大數(shù)據(jù)”以及“5G萬物互聯(lián)”時代的到來，科技和產(chǎn)業(yè)

池化運(yùn)算圖

第2章深度學(xué)習(xí)的基本理論-11-圖2-4所示，經(jīng)過最大值池化之后，將會損失75%的特征，從而將數(shù)據(jù)壓縮，且保留權(quán)重最大的數(shù)據(jù)。對于平均池化，同樣假設(shè)卷積層的輸出的特征為4×4，池化層中池化的窗口為2×2，經(jīng)過平均值池化之后，同樣將會損失75%的特征，最終特征為每個感受野的平均值。2.3.3激活函數(shù)在池化層之后一般會連接一個激活函數(shù)，激活函數(shù)的作用是增加網(wǎng)絡(luò)的非線性表達(dá)能力。近年來，激活函數(shù)眾多，常用的激活函數(shù)有sigmoid函數(shù)、雙曲正切tanh函數(shù)和線性整流單元ReLU函數(shù)。1()1ijiijjzsigmoidze(2-11)tanh()iijjiijjzziijjzzeezee(2-12)(){0,}iiijjjzMaxz(2-13)式中ijz——第j個卷積核運(yùn)算得到的第i個輸出值；ij——經(jīng)過激活函數(shù)得到的ijz的激活值。圖2-5為激活函數(shù)曲線圖。圖2-5a)為sigmoid函數(shù)，其中連續(xù)實值的輸入被轉(zhuǎn)換成0~1區(qū)間的輸出。但是，當(dāng)深度神經(jīng)網(wǎng)絡(luò)中的梯度進(jìn)行反向傳播迭代后，隨著輸入值的升高或者減少，函數(shù)輸出值保持不變，使得梯度為0。圖2-5激活函數(shù)圖像另外，由于sigmoid函數(shù)中冪指數(shù)的運(yùn)算較為復(fù)雜，神經(jīng)網(wǎng)絡(luò)的規(guī)模較大，因此需要大量的計算時間。相較之下，tanh函數(shù)比sigmoid函數(shù)更加實用，其輸出區(qū)間為


本文編號：2980898