發(fā)布時間：2022-02-15 11:45

　　機械設(shè)備在工業(yè)社會起著不可被替代的作用,當機械設(shè)備發(fā)生故障時,將會引發(fā)重大的事故,對人員與經(jīng)濟造成不可挽回的損失。因此對機械設(shè)備進行故障診斷與狀態(tài)監(jiān)測具有十分重要的意義。齒輪箱作為機械設(shè)備的重要組成部分,對齒輪箱的故障診斷也有著十分重要的意義。在齒輪箱故障診斷與狀態(tài)監(jiān)測過程中,決定著故障診斷精確度的因素是特征提取,傳統(tǒng)的故障診斷方法主要是依據(jù)人工提取特征,將被提取出的特征輸入淺層學習網(wǎng)絡進行故障識別,從而完成故障診斷。但是傳統(tǒng)的故障診斷方法過于依靠專家的經(jīng)驗,人為因素過多。同時機械設(shè)備的齒輪箱故障診斷與狀態(tài)監(jiān)測又面臨著大數(shù)據(jù)的問題。傳統(tǒng)的故障診斷方法就顯得力不從心。本文將針對以上問題,以實現(xiàn)大數(shù)據(jù)環(huán)境下齒輪箱智能化精確的故障診斷為目標,深度學習中的堆疊自動編碼機與卷積神經(jīng)網(wǎng)絡為研究手段,完成以下工作:（1）研究淺層學習與深度學習結(jié)構(gòu)的特點,深度學習與淺層學習之間的聯(lián)系與區(qū)別。（2）研究堆疊自動編碼機網(wǎng)絡的工作原理并設(shè)計一個堆疊自動編碼機網(wǎng)絡,將其與總體局部均值分解方法,粒子群優(yōu)化算法相結(jié)合進行齒輪箱故障診斷研究。本研究方案在實驗中得到了94.2%的準確率。（3）構(gòu)建不同深度的堆疊自動編... 

【文章來源】：內(nèi)蒙古科技大學內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

DBN構(gòu)架及訓練過程

多個自動編碼器堆疊構(gòu)成了一個完整 SAE模型，其中將前一個自動編碼器的隱含層數(shù)據(jù)作為與其相連的下一個自動編碼器的輸入層，其結(jié)構(gòu)如圖2.3 所示。圖2.3 堆疊自動編碼機SAE 架構(gòu)在網(wǎng)絡訓練過程中，訓練每個自動編碼器并尋找其中最優(yōu)權(quán)值(W)與偏置(b)，使得輸出的重構(gòu)數(shù)據(jù)與實際輸入數(shù)據(jù)之間誤差值最小。其中計算重構(gòu)誤差的函數(shù)通常使用交叉熵損失函數(shù)，將重構(gòu)誤差函數(shù)定義為式2.1。

的數(shù)據(jù)組合音，文本中連續(xù)多個字符組合成一句有含義的句子。經(jīng)網(wǎng)絡目前已經(jīng)在語音識別、自然語言處理等領(lǐng)域取得巨大的成功和說，設(shè)計RNN 的目的，就是讓神經(jīng)網(wǎng)絡可以處理序列化數(shù)據(jù)。一個句子，想在看到前面幾個詞時，預測下一個詞是什么。因為句子立的，而是有聯(lián)系的，所以當前的輸出結(jié)構(gòu)不但和當前的輸入有關(guān)，輸入有關(guān)，這就需要網(wǎng)絡可以記憶前面的信息并且用于當前的輸出計出了在隱含層單元的輸入中除了有前面一層節(jié)點的輸出外，還要有本點的輸出，讓前面時間處理的信息始終留在系統(tǒng)中。2.4 是一個循環(huán)神經(jīng)網(wǎng)絡節(jié)點的圖示。A 是神經(jīng)節(jié)點，Xt 是輸入數(shù)據(jù)輸出 ht不僅可以作為輸出，還可以作為下一個時刻的輸入。在時刻 0，A 的輸入是 X0，輸出隱含層狀態(tài)是 h0；在時刻 1，A 的輸隱含層狀態(tài)是 h1；在時刻 2，A 的輸入是 X2 和 h1，輸出隱含層狀態(tài)A 的輸入是 X3和h2,輸出隱含層狀態(tài)是 h3；以此類推直到網(wǎng)絡結(jié)束。

【參考文獻】：
期刊論文
[1]基于深度學習的飛行器智能故障診斷方法[J]. 姜洪開,邵海東,李興球.  機械工程學報. 2019(07)
[2]基于一維卷積神經(jīng)網(wǎng)絡的齒輪箱故障診斷[J]. 吳春志,江鵬程,馮輔周,陳湯,陳祥龍.  振動與沖擊. 2018(22)
[3]ELMD熵特征融合與PSO-SVM在齒輪故障診斷中的應用[J]. 何園園,張超,朱騰飛.  機械科學與技術(shù). 2019(02)
[4]基于ReliefF算法和相關(guān)度計算結(jié)合的故障特征降維方法及其應用[J]. 姜萬錄,王友榮,王振威,朱勇.  液壓與氣動. 2015(12)
[5]基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學報. 2015(21)
[6]可容錯的遙控水下機器人遞歸神經(jīng)網(wǎng)絡控制[J]. 姜述強,金鴻章,魏鳳梅.  哈爾濱工業(yè)大學學報. 2013(09)
[7]行星齒輪箱齒輪分布式故障振動頻譜特征[J]. 馮志鵬,褚福磊.  中國電機工程學報. 2013(02)
[8]基于多標簽ReliefF的特征選擇算法[J]. 黃莉莉,湯進,孫登第,羅斌.  計算機應用. 2012(10)
[9]基于PCA和SVM的內(nèi)燃機故障診斷[J]. 劉永斌,何清波,孔凡讓,張平.  振動.測試與診斷. 2012(02)
[10]進化Elman神經(jīng)網(wǎng)絡在實時數(shù)據(jù)預測中的應用[J]. 王曉霞,馬良玉,王兵樹,王濤.  電力自動化設(shè)備. 2011(12)

博士論文
[1]復雜工況下風力發(fā)電機組關(guān)鍵部件故障分析與診斷研究[D]. 孫鮮明.沈陽工業(yè)大學 2014
[2]直升機傳動系統(tǒng)狀態(tài)增強檢測的隨機共振理論與方法研究[D]. 張曉飛.國防科學技術(shù)大學 2013
[3]基于數(shù)據(jù)驅(qū)動的行星齒輪箱故障診斷方法研究[D]. 劉志亮.電子科技大學 2013
[4]大型風電機組傳動系統(tǒng)狀態(tài)退化的振動特征研究[D]. 谷泉.沈陽工業(yè)大學 2013
[5]柴油機振動信號特征提取與故障診斷方法研究[D]. 李敏通.西北農(nóng)林科技大學 2012
[6]風電機組振動監(jiān)測與故障診斷研究[D]. 劉文藝.重慶大學 2010
[7]濾波方法及其在非線性系統(tǒng)故障診斷中的應用研究[D]. 葛哲學.國防科學技術(shù)大學 2006
[8]直升機旋轉(zhuǎn)部件故障特征提取的高階統(tǒng)計量方法研究[D]. 陳仲生.國防科學技術(shù)大學 2004

碩士論文
[1]基于SVM的氣閥故障診斷研究[D]. 馬嘉俊.電子科技大學 2016
[2]風電齒輪早期故障預警與診斷的研究[D]. 徐天金.華北電力大學 2014
[3]風力發(fā)電機組發(fā)電機和齒輪箱故障診斷方法研究[D]. 甄立敬.華北電力大學 2014



本文編號：3626573