發(fā)布時間：2022-01-07 11:16

　　故障診斷是提高機械使用可靠性、保障設(shè)備長周期穩(wěn)定運行、減少因故障停機帶來經(jīng)濟損失的一類重要技術(shù)。傳統(tǒng)的故障診斷方法借助專家知識從信號中人工提取特征,但由于信號的非穩(wěn)態(tài)、非線性、非高斯等特點,這一過程需進行大量的分析和對比,費時費力,因此如何高效地提取有區(qū)分度的特征并準(zhǔn)確識別成為本領(lǐng)域的研究熱點和難點。為實現(xiàn)特征的自動提取和識別,本文將深度學(xué)習(xí)中的深度自編碼器（Deep Auto-encoder,DAE）方法引入該問題。面向樣本充足的情況,提出了一種基于DAE的故障診斷方法。接著,考慮信號噪聲和小樣本兩個影響因素,分別對DAE進行改進,研究了針對噪聲信號和小樣本的故障診斷方法。在此基礎(chǔ)上,綜合考慮兩個因素,研究了小樣本條件下噪聲信號的故障診斷方法。主要內(nèi)容如下:面向樣本充足的情況,提出了一種稀疏DAE（Sparse DAE,SDAE）的故障診斷方法。針對SDAE會提取相似特征的問題,設(shè)計了一種Subset方法,幫助SDAE從不同故障模式的樣本中提取有區(qū)分度的特征。此外,針對Subset-SDAE需手動調(diào)參的問題,提出了基于粒子群算法的參數(shù)優(yōu)化框架,以自動獲取最優(yōu)的參數(shù)配置。在2個工程案例... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：142 頁

【學(xué)位級別】：博士

【部分圖文】：

(a)風(fēng)力發(fā)電機;(b)風(fēng)力發(fā)電機結(jié)構(gòu)示意

參數(shù)通常是手動設(shè)置。調(diào)參過程依賴經(jīng)驗知識、費時費力，一旦參數(shù)設(shè)置不佳導(dǎo)致算法效果不好，甚至無效。而且，訓(xùn)練樣本通常為高維的海量數(shù)據(jù)，單次訓(xùn)練時間長，手動調(diào)參效率低。針對上述問題，本章提出了如下解決思路：針對相似樣本易誤分問題，提出了一種新的 Subset 技術(shù)，用于提取有區(qū)分的特征。針對特征自動提取問題，提出了一種 Subset-SDAE 模型，用于從高維數(shù)據(jù)中自動提取故障特征。針對調(diào)參問題，提出了一種基于 PSO 算法的優(yōu)化框架，優(yōu)化 Subset-SDAE 的結(jié)構(gòu)和參數(shù)。3.2. 基于 K 均值的相似度量化方法及 Subset 分配方法Subset的思想起源于Duong[117]提出的層次模型，并由Bai等[116]進一步研究。圖 3.1 給出了 Bai 等用于物體識別的 Subset 技術(shù)，其核心思想是通過直觀地觀察，將相似的物體分開，并采用多個模型對每個 Subset 分別學(xué)習(xí)特征。不同于圖片，故障診斷是將傳感器信號作為信息的載體，由于高采樣頻率、環(huán)境干擾、信號非穩(wěn)態(tài)、非線性等因素，信號的相似性難以直觀判斷。因此本節(jié)提出了一種針對傳感器信號的相似度量化方法，及 Subset 分配方法。

圖 3.7 Subset-SDA3.6. 工程案例驗證為驗證所提方法的有效性，在電機機軸承數(shù)據(jù)采集于實驗室的仿真平臺，自3.6.1. 電機軸承案例驗證3.6.1.1. 案例介紹電機軸承數(shù)據(jù)來源于 CWRU(Case為實驗仿真平臺，包括 2 馬力的電機、置。測試軸承為 SKF 公司制造的深溝球磁性底座安放在電機殼體上獲取振動信為 7mils，14mils，21mils，28mils 的外

【參考文獻】：
期刊論文
[1]基于短時傅里葉變換及其譜峭度的電能質(zhì)量混合擾動分類[J]. 黃建明,瞿合祚,李曉明.  電網(wǎng)技術(shù). 2016(10)
[2]經(jīng)驗?zāi)B(tài)分解在滾動軸承故障診斷中的應(yīng)用與擴展[J]. 張旭,李超強,楊柳,王玉良,鈔仲凱.  軸承. 2016(06)
[3]基于多元經(jīng)驗?zāi)B(tài)分解的旋轉(zhuǎn)機械早期故障診斷方法[J]. 武哲,楊紹普,劉永強.  儀器儀表學(xué)報. 2016(02)
[4]基于溫度數(shù)據(jù)相關(guān)分析的DPF故障診斷策略[J]. 姚廣濤,伍恒,張衛(wèi)鋒,郭子榮,資新運.  內(nèi)燃機工程. 2016(03)
[5]基于短時傅里葉變換的風(fēng)機葉片裂紋損傷檢測[J]. 烏建中,陶益.  中國工程機械學(xué)報. 2014(02)
[6]旋轉(zhuǎn)機械故障診斷理論與實現(xiàn)[J]. 羅仁澤,曹鵬,代云中,付元華,趙發(fā)定,皇雅斌,楊青.  儀表技術(shù)與傳感器. 2014(03)
[7]基于模型診斷和專家系統(tǒng)的牽引變壓器故障診斷研究[J]. 高松,劉志剛,徐建芳,何士玉,高仕斌.  鐵道學(xué)報. 2013(07)
[8]基于故障樹的汽車起重機液壓故障診斷專家系統(tǒng)[J]. 羅天洪,楊彩霞,孫冬梅.  機械科學(xué)與技術(shù). 2013(04)
[9]基于圖論模型的故障診斷方法研究進展綜述[J]. 劉鵬鵬,左洪福,蘇艷,孫見忠.  中國機械工程. 2013(05)
[10]行星齒輪箱故障診斷的扭轉(zhuǎn)振動信號分析方法[J]. 馮志鵬,褚福磊.  中國電機工程學(xué)報. 2013(14)

博士論文
[1]信號的稀疏表達在滾動軸承故障特征提取及智能診斷中的應(yīng)用研究[D]. 甘萌.中國科學(xué)技術(shù)大學(xué) 2017
[2]旋轉(zhuǎn)機械故障診斷與預(yù)測方法及其應(yīng)用研究[D]. 武哲.北京交通大學(xué) 2016
[3]基于無監(jiān)督學(xué)習(xí)的風(fēng)電機組傳動鏈智能故障診斷方法研究[D]. 李狀.華北電力大學(xué)(北京) 2016
[4]EMD算法研究及其在信號去噪中的應(yīng)用[D]. 王婷.哈爾濱工程大學(xué) 2010



本文編號：3574440