隨著“工業(yè)4.0”、“中國制造2025”等戰(zhàn)略的提出和推進(jìn),高端制造系統(tǒng)及智能機(jī)械設(shè)備的研究正在受到越來越多的重視。機(jī)械設(shè)備在實(shí)際生產(chǎn)中一旦出現(xiàn)故障而未被及時(shí)察覺,會造成嚴(yán)重的經(jīng)濟(jì)損失甚至安全事故,因此機(jī)械設(shè)備故障識別與狀態(tài)評估的研究具有重要意義。本文以機(jī)械裝備的關(guān)鍵零部件軸承為研究對象,基于現(xiàn)代信號分析方法、大數(shù)據(jù)處理、流形學(xué)習(xí)、深度學(xué)習(xí)等前沿技術(shù)和理論,沿著故障識別和狀態(tài)評估這兩條主線展開研究,主要完成了以下三個方面的研究內(nèi)容:（1）分析了工程實(shí)際中機(jī)械設(shè)備振動信號的特點(diǎn),提出從信號中提取11個時(shí)域特征、13個頻域特征及14個小波包能量特征構(gòu)成混合域高維特征集。針對高維特征集信息冗余、易造成“過擬合”、計(jì)算效率低等問題,提出運(yùn)用流形學(xué)習(xí)算法將高維特征轉(zhuǎn)換到低維空間。實(shí)例分析結(jié)果表明,流形學(xué)習(xí)方法能夠不失真地將高維特征數(shù)據(jù)映射到低維空間,且更利于后續(xù)的計(jì)算分析。（2）分析了深度學(xué)習(xí)理論在各類模式識別問題中的優(yōu)良性能及其存在的不足,引入深度置信網(wǎng)絡(luò)（Deep Belief Network,DBN）到故障識別領(lǐng)域。針對DBN模型的不穩(wěn)定、不確定性以及難以與實(shí)際問題建立對應(yīng)的有效模型等問題... 

【文章來源】：重慶大學(xué)重慶市211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 課題背景和研究意義
    1.2 機(jī)械設(shè)備故障診斷國內(nèi)外研究現(xiàn)狀分析
        1.2.1 特征提取與空間轉(zhuǎn)換研究現(xiàn)狀
        1.2.2 基于機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘研究現(xiàn)狀
        1.2.3 機(jī)械設(shè)備故障診斷研究現(xiàn)狀與分析
    1.3 本文的結(jié)構(gòu)安排
2 混合域特征提取及流形空間轉(zhuǎn)換
    2.1 信號預(yù)處理
    2.2 混合域特征提取
        2.2.1 時(shí)域、頻域特征提取
        2.2.2 小波包能量特征提取
    2.3 基于流形學(xué)習(xí)的特征空間轉(zhuǎn)換
        2.3.1 流形學(xué)習(xí)特征轉(zhuǎn)換概述
        2.3.2 等距映射(Isomap)
        2.3.3 主成分分析(PCA)
        2.3.4 其他主要特征空間轉(zhuǎn)換方法
        2.3.5 轉(zhuǎn)換效果比較
    2.4 本章小結(jié)
3 基于SAA的DBN故障識別模型優(yōu)化
    3.1 深度置信網(wǎng)絡(luò)(DBN)
        3.1.1 DBN網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 DBN訓(xùn)練
    3.2 DBN故障識別
        3.2.1 DBN故障識別分析
        3.2.2 DBN故障識別模型的建立
    3.3 基于SAA的DBN網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
        3.3.1 SAA算法
        3.3.2 基于SAA的DBN優(yōu)化過程
    3.4 實(shí)驗(yàn)分析
        3.4.1 實(shí)驗(yàn)及數(shù)據(jù)
        3.4.2 實(shí)驗(yàn)分析及對比
    3.5 本章小結(jié)
4 基于DBN自學(xué)習(xí)原始信號的狀態(tài)評估研究
    4.1 基于原始信號的狀態(tài)評估研究分析
    4.2 DBN狀態(tài)評估
        4.2.1 DBN自學(xué)習(xí)原始信號
        4.2.2 DBN狀態(tài)評估的實(shí)現(xiàn)
    4.3 實(shí)驗(yàn)研究與對比
        4.3.1 實(shí)驗(yàn)及數(shù)據(jù)
        4.3.2 狀態(tài)評估實(shí)驗(yàn)結(jié)果
        4.3.3 對比實(shí)驗(yàn)及分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 主要創(chuàng)新點(diǎn)
    5.3 研究展望
致謝
參考文獻(xiàn)
附錄
    A.作者在攻讀碩士學(xué)位期間發(fā)表的論文目錄
    B.作者在攻讀碩士學(xué)位期間參與的科研項(xiàng)目目錄
    C.作者在攻讀碩士學(xué)位期間所獲得的獎勵目錄


【參考文獻(xiàn)】：
期刊論文
[1]基于MDS和神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J]. 馬朝永,黃攀,胥永剛,付勝.  噪聲與振動控制. 2017(04)
[2]基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識別的齒輪智能故障診斷[J]. 時(shí)培明,梁凱,趙娜,安淑君.  中國機(jī)械工程. 2017(09)
[3]相似性約束的深度置信網(wǎng)絡(luò)在SAR圖像目標(biāo)識別的應(yīng)用[J]. 丁軍,劉宏偉,陳渤,馮博,王英華.  電子與信息學(xué)報(bào). 2016(01)
[4]基于混合遺傳模擬退火算法的SaaS構(gòu)件優(yōu)化放置[J]. 孟凡超,初佃輝,李克秋,周學(xué)權(quán).  軟件學(xué)報(bào). 2016(04)
[5]基于多故障流形的旋轉(zhuǎn)機(jī)械故障診斷[J]. 蘇祖強(qiáng),湯寶平,趙明航,秦毅.  振動工程學(xué)報(bào). 2015(02)
[6]基于拉普拉斯特征映射的滾動軸承故障識別[J]. 黃宏臣,韓振南,張倩倩,李月仙,張志偉.  振動與沖擊. 2015(05)
[7]中國裝備制造業(yè)競爭力的制度分析[J]. 李懷,邵慰.  產(chǎn)業(yè)組織評論. 2014(04)
[8]大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識別與人工智能. 2014(04)
[9]基于改進(jìn)EMD的輸油管道泄漏信號特征提取方法研究[J]. 趙利強(qiáng),王建林,于濤.  儀器儀表學(xué)報(bào). 2013(12)
[10]機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J]. 王國彪,何正嘉,陳雪峰,賴一楠.  機(jī)械工程學(xué)報(bào). 2013(01)

博士論文
[1]模擬空間環(huán)境下滾動軸承壽命的振動譜表征與預(yù)測方法研究[D]. 張焱.重慶大學(xué) 2016
[2]混合蛙跳算法的改進(jìn)及在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用研究[D]. 趙轉(zhuǎn)哲.東南大學(xué) 2016
[3]基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D]. 馬婧華.重慶大學(xué) 2015
[4]信號小波理論與一體化小波分析儀的研究[D]. 秦毅.重慶大學(xué) 2008

碩士論文
[1]基于大數(shù)據(jù)模型深度玻爾茲曼機(jī)的壓縮機(jī)組狀態(tài)預(yù)測方法研究[D]. 王洋紳.中國石油大學(xué)(北京) 2016
[2]主流形學(xué)習(xí)及應(yīng)用[D]. 王曉丹.復(fù)旦大學(xué) 2011



本文編號：3630952