針對基于信號處理技術(shù)的故障診斷方法需要依賴人工特征提取和專家的知識,以及基于傳統(tǒng)機器學(xué)習(xí)理論下的故障診斷方法學(xué)習(xí)深度不足、特征提取困難等問題,提出了基于深度特征學(xué)習(xí)的振動狀態(tài)識別方法。該方法以深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks,DNN）為基礎(chǔ),以一維數(shù)據(jù)結(jié)構(gòu)為處理對象,能夠深層次的、自適應(yīng)的提取振動信號特征,學(xué)習(xí)信號的特征表示,實現(xiàn)特征提取和狀態(tài)識別過程的統(tǒng)一。同時,該方法能端到端進行故障診斷,是一種智能的故障診斷方法。首先,提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNNs）的轉(zhuǎn)子故障診斷方法。該方法振動信號的一維向量輸入到一維CNN進行分析,利用CNN強大的特征學(xué)習(xí)和提取能力,從原始振動信號中深度學(xué)習(xí)不同故障狀態(tài)的特征,并最終實現(xiàn)信號狀態(tài)的識別。其次,針對實際故障中振動信號成分復(fù)雜、非線性、非平穩(wěn)性強等影響深度學(xué)習(xí)效果的問題,將HVD方法和多特征信息融合技術(shù)引入到振動信號的深度學(xué)習(xí)過程中,提出了基于VCNN多特征融合學(xué)習(xí)的轉(zhuǎn)子故障診斷方法。該方法首先對多個傳感器采集的振動信號進行HVD分解得到各階模態(tài)分量,然后將其融... 

【文章來源】：華北電力大學(xué)河北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

轉(zhuǎn)子試驗臺通過試驗?zāi)M轉(zhuǎn)子不平衡、不對中、油膜渦動、碰摩4類故障

轉(zhuǎn)子試驗臺同時采集4個傳感器在不平衡、不對中、油膜渦動、碰摩4類故障下的振動信

VCNN不同層級信號可視化表示

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的層級化智能故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  控制與決策. 2019(12)
[2]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)
[3]基于非線性短時傅里葉變換階次跟蹤的變速行星齒輪箱故障診斷[J]. 王友仁,王俊,黃海安.  中國機械工程. 2018(14)
[4]基于云PSO-SVM的汽輪機轉(zhuǎn)子故障診斷研究[J]. 石志標,陳長河,曹麗華.  熱能動力工程. 2018(06)
[5]用于轉(zhuǎn)子故障診斷的改進小波聚類算法[J]. 左紅艷,劉曉波,洪連環(huán).  振動.測試與診斷. 2018(02)
[6]基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專家系統(tǒng)[J]. 司景萍,馬繼昌,牛家驊,王二毛.  振動與沖擊. 2017(04)
[7]基于HVD的振動故障診斷方法研究[J]. 朱霄珣,徐搏超,焦宏超,韓中合.  汽輪機技術(shù). 2016(04)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的時頻圖像識別研究[J]. 曾雪瓊,黎杰.  機械與電子. 2016(05)
[9]基于小波包去噪的循環(huán)自相關(guān)方法在軸承故障診斷中的應(yīng)用[J]. 朱琳,李貴子,雷小亞,柴世文.  機械制造與自動化. 2016(02)
[10]基于最優(yōu)廣義S變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J]. 張云強,張培林,吳定海,李兵.  振動與沖擊. 2015(09)

博士論文
[1]基于支持向量機的旋轉(zhuǎn)機械故障診斷與預(yù)測方法研究[D]. 朱霄珣.華北電力大學(xué) 2013



本文編號：3257007