隨著現(xiàn)代工業(yè)的發(fā)展,我國(guó)傳統(tǒng)工業(yè)設(shè)備逐漸與新興科技相結(jié)合,變得更加智能化。大型工業(yè)設(shè)備具有較長(zhǎng)使用年限,在此工作期間由于設(shè)備經(jīng)過長(zhǎng)時(shí)間的運(yùn)行,某些部位中的零件互相摩擦、相互擠壓碰撞、設(shè)備使用時(shí)所用到的化學(xué)原料漸漸的腐蝕著設(shè)備的零件,導(dǎo)致設(shè)備零件逐漸磨損、腐化、斷裂,產(chǎn)生一系列設(shè)備故障問題,最終造成巨大的經(jīng)濟(jì)損失。如果可以隨時(shí)掌握零件磨損情況,對(duì)其磨損位置、磨損程度進(jìn)行準(zhǔn)確定位檢測(cè),在零件崩裂前,對(duì)損耗的設(shè)備故障零件進(jìn)行及時(shí)的修復(fù)調(diào)換,便能夠有效降低因設(shè)備零件故障所造成的經(jīng)濟(jì)損失。隨著信息化時(shí)代來臨,人工智能領(lǐng)域迅猛發(fā)展并應(yīng)用在各個(gè)領(lǐng)域。靈活運(yùn)用人工智能技術(shù)已然成為各行各業(yè)里研究學(xué)者的一個(gè)重要研究方向。針對(duì)現(xiàn)有設(shè)備健康狀態(tài)檢測(cè)系統(tǒng)自身的局限性,本文設(shè)計(jì)改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)（RBFNN）設(shè)備健康狀態(tài)檢測(cè)系統(tǒng)。由于原始RBFNN不能準(zhǔn)確計(jì)算中心向量和節(jié)點(diǎn)寬度,導(dǎo)致RBFNN性能達(dá)不到令人滿意的結(jié)果。本文利用雞群算法對(duì)RBFNN相關(guān)參數(shù)進(jìn)行尋優(yōu),但其收斂速度慢,易陷入局部最優(yōu)解,本文提出結(jié)合混沌搜索策略的成長(zhǎng)雞群算法（GCSO）,選取小雞對(duì)其進(jìn)行繼承和成長(zhǎng)操作進(jìn)而代替公雞,從而提高收斂速度,降低... 

【文章來源】：遼寧大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)驗(yàn)平臺(tái)

圖 2-2 實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)圖軸承數(shù)據(jù)集中數(shù)字信號(hào)的采樣頻率為 12000Hz 的驅(qū)動(dòng)軸康狀態(tài)檢測(cè)，X97 到 X133 是各類型數(shù)據(jù)名，如表 2-1 所表 2-1 驅(qū)動(dòng)軸承數(shù)據(jù)電機(jī)負(fù)載電機(jī)轉(zhuǎn)速正常信號(hào)內(nèi)圈故障信號(hào)滾動(dòng)故障信號(hào)外圈（6 點(diǎn)鐘方設(shè)備故障狀態(tài)信0 1797 X97 X105 X118 X1301 1772 X98 X106 X119 X1312 1750 X99 X107 X120 X1323 1730 X100 X108 X121 X133處理

第 2 章 相關(guān)工作空間域中沒有連續(xù)性，因此噪聲經(jīng)過小波變化后具備較強(qiáng)隨機(jī)性，導(dǎo)致系數(shù)較小，而有效信號(hào)在空間域呈現(xiàn)連續(xù)的特性，經(jīng)過小波變換后產(chǎn)生的系數(shù)較大。綜上，可以根據(jù)小波系數(shù)的大小來區(qū)分信號(hào)的狀態(tài)篩選出噪聲，就可以最大程度的去除噪聲。它通過三個(gè)部分來對(duì)數(shù)據(jù)進(jìn)行降噪，首先選取合適的小波基，將原始信號(hào)進(jìn)行分解為 N 層并對(duì)其進(jìn)行小波變換得到小波系數(shù)。其次對(duì)分解后1~N 層的高頻小波進(jìn)行閾值量化處理，最后利用第 N 層的低頻小波系數(shù)和經(jīng)過量化后的高頻小波系數(shù)進(jìn)行重構(gòu)，最終得到有效且具有明顯特征的信號(hào)。圖 2-3為小波閾值降噪處理具體流程。

【參考文獻(xiàn)】：
期刊論文
[1]基于小波變換和改進(jìn)中值濾波的醫(yī)學(xué)圖像耦合去噪算法（英文）[J]. 陳炳權(quán),崔金鴿,徐慶,舒婷,劉宏立.  Journal of Central South University. 2019(01)
[2]不同工質(zhì)的高溫?zé)岜孟到y(tǒng)性能智能預(yù)測(cè)（英文）[J]. 于曉慧,張于峰,張彥,賀中祿,董勝明,馬學(xué)蓮,姚勝.  Journal of Central South University. 2018(11)
[3]斜坡單元支持下區(qū)域泥石流危險(xiǎn)性AHP-RBF評(píng)價(jià)模型[J]. 黃啟樂,陳偉,傅旭東.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2018(09)
[4]基于遺傳RBF神經(jīng)網(wǎng)絡(luò)的高速電主軸熱誤差建模[J]. 張捷,李岳,王書亭,茍衛(wèi)東.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(07)
[5]徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的路網(wǎng)自動(dòng)匹配算法[J]. 郭寧寧,盛業(yè)華,呂海洋,黃寶群,張思陽.  測(cè)繪科學(xué). 2018(03)
[6]基于AQPSO的RBF神經(jīng)網(wǎng)絡(luò)自組織學(xué)習(xí)[J]. 楊剛,王樂,戴麗珍,楊輝,陸榮秀.  控制與決策. 2018(09)
[7]雞群算法的收斂性分析[J]. 吳定會(huì),孔飛,紀(jì)志成.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(08)
[8]基于混沌搜索和權(quán)重學(xué)習(xí)的教與學(xué)優(yōu)化算法及其應(yīng)用[J]. 柳締西子,范勤勤,胡志華.  智能系統(tǒng)學(xué)報(bào). 2018(05)
[9]基于可視化異類特征優(yōu)選融合的滾動(dòng)軸承故障診斷[J]. 楊洪柏,張宏利,劉樹林.  計(jì)算機(jī)應(yīng)用. 2017(04)
[10]基于小波改進(jìn)閾值去噪與LMD的滾動(dòng)軸承故障診斷研究[J]. 俞昆,譚繼文,李善.  組合機(jī)床與自動(dòng)化加工技術(shù). 2016(10)

碩士論文
[1]信息重構(gòu)的改進(jìn)極限學(xué)習(xí)機(jī)故障診斷研究[D]. 高欣.遼寧大學(xué) 2018
[2]基于優(yōu)化支持向量機(jī)的工業(yè)裝備壽命預(yù)測(cè)算法研究[D]. 王學(xué)芝.遼寧大學(xué) 2014



本文編號(hào)：3422533