傳統(tǒng)的基于數(shù)據(jù)驅(qū)動(dòng)的軸承故障診斷方法通常需要了解一定的信號(hào)處理技術(shù),人工構(gòu)造算法提取并選擇特征,然后利用分類器（常用的有支持向量機(jī)以及人工神經(jīng)網(wǎng)絡(luò)等）進(jìn)行分類識(shí)別。然而,對(duì)于模式不明且多變、多故障信息耦合的機(jī)械大數(shù)據(jù),人為設(shè)計(jì)涵蓋所有信息的故障特征較為困難;此外,針對(duì)某一個(gè)特定問(wèn)題提取和選擇的特征可能并不適用于其它的問(wèn)題。因此,非常有必要由模型自適應(yīng)地提取特征而不是由人工提取和選擇特征。機(jī)械故障越發(fā)表現(xiàn)為不確定性、并發(fā)性和耦合性,而在傳統(tǒng)方法中所采用的淺層模型的自學(xué)習(xí)能力差、特征提取與模型建立孤立地進(jìn)行,導(dǎo)致其故障識(shí)別精度低、泛化能力弱;診斷模型由“淺”入“深”勢(shì)在必行。針對(duì)以上的兩個(gè)問(wèn)題,結(jié)合近年來(lái)卷積神經(jīng)網(wǎng)絡(luò)在圖像模式識(shí)別領(lǐng)域中的廣泛與成功應(yīng)用,本文提出了兩種基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類的軸承多狀態(tài)識(shí)別方法。本文中所采用的兩種基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類的軸承多狀態(tài)識(shí)別方法能夠自動(dòng)地從軸承時(shí)頻圖中提取特征,然后對(duì)其進(jìn)行分類識(shí)別;從而避免了傳統(tǒng)的基于數(shù)據(jù)驅(qū)動(dòng)的軸承故障診斷方法中人工構(gòu)造算法提取并選擇特征的問(wèn)題,降低了對(duì)人工的依賴,提高了故障診斷過(guò)程的智能化水平。在本文所采用的兩種方法中,在模... 

【文章來(lái)源】：中北大學(xué)山西省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于原采集信號(hào)與深度學(xué)習(xí)模型的機(jī)械故障診斷方法流程圖

圖 1.3 基于 CNN 圖像分類的機(jī)械故障診斷方法流程圖圖 1.1 所示的傳統(tǒng)的基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)械故障診斷方法中通常需要了知識(shí)，人工構(gòu)造算法從信號(hào)中提取并選擇特征，然后利用分類器（常以及人工神經(jīng)網(wǎng)絡(luò)等）進(jìn)行分類識(shí)別。然而，對(duì)于模式不明且多變、機(jī)械大數(shù)據(jù)，人為設(shè)計(jì)涵蓋所有信息的故障特征較為困難[9]；此外，題提取和選擇的特征可能并不適用于其它的問(wèn)題[10]。因此，非常有必提取特征而不是由人工提取和選擇特征。機(jī)械故障越發(fā)表現(xiàn)為不確定性，而在傳統(tǒng)方法中所采用的淺層模型的自學(xué)習(xí)能力差、特征提取與行，導(dǎo)致其故障識(shí)別精度低、泛化能力弱；診斷模型由“淺”入“深年來(lái)，深度學(xué)習(xí)在特征提取與模式識(shí)別等領(lǐng)域表現(xiàn)出了巨大的潛力與學(xué)者開(kāi)始將深度學(xué)習(xí)應(yīng)用到機(jī)械故障診斷中[11]。圖 1.2 所示的基于原采集信號(hào)與深度學(xué)習(xí)模型的機(jī)械故障診斷方法中

仿真信號(hào)的時(shí)域波形

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)下機(jī)械裝備故障的深度遷移診斷方法[J]. 雷亞國(guó),楊彬,杜兆鈞,呂娜.  機(jī)械工程學(xué)報(bào). 2019(07)
[2]基于變分模態(tài)分解與流形學(xué)習(xí)的滾動(dòng)軸承故障特征提取方法[J]. 戚曉利,葉緒丹,蔡江林,鄭近德,潘紫微,張興權(quán).  振動(dòng)與沖擊. 2018(23)
[3]基于一維卷積神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J]. 吳春志,江鵬程,馮輔周,陳湯,陳祥龍.  振動(dòng)與沖擊. 2018(22)
[4]基于廣義復(fù)合多尺度排列熵與PCA的滾動(dòng)軸承故障診斷方法[J]. 鄭近德,劉濤,孟瑞,劉慶運(yùn).  振動(dòng)與沖擊. 2018(20)
[5]基于深度卷積變分自編碼網(wǎng)絡(luò)的故障診斷方法[J]. 佘博,田福慶,梁偉閣.  儀器儀表學(xué)報(bào). 2018(10)
[6]基于短時(shí)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(yuǎn)韜.  振動(dòng)與沖擊. 2018(19)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動(dòng)軸承故障診斷[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,余騰偉,周君.  振動(dòng)工程學(xué)報(bào). 2018(05)
[8]基于GA-PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)氣閥故障診斷[J]. 邵繼業(yè),謝昭靈,楊瑞.  電子科技大學(xué)學(xué)報(bào). 2018(05)
[9]基于RSGWPT-LCD的軸承信號(hào)故障特征提取及模式識(shí)別[J]. 王保華,佟慶彬,胡海,曹君慈,韓寶珠,盧艷霞,張衛(wèi)東,朱穎.  振動(dòng).測(cè)試與診斷. 2018(04)
[10]基于特征遷移學(xué)習(xí)的變工況下滾動(dòng)軸承故障診斷方法[J]. 康守強(qiáng),胡明武,王玉靜,謝金寶,V.I.Mikulovich.  中國(guó)電機(jī)工程學(xué)報(bào). 2019(03)



本文編號(hào)：3145246