螺栓連接具有承載能力強、便于維護和更換等特點,但由于螺栓的可拆卸性使螺栓連接結(jié)構(gòu)工作時常常會發(fā)生松動故障。螺栓連接松動故障不僅會影響機構(gòu)的正常使用,縮短使用壽命,甚至會造成人員傷亡事故。為了避免災難性后果,對螺栓裝配緊度進行在線監(jiān)測及評估顯得尤為重要。卷積神經(jīng)網(wǎng)絡在軸承、齒輪等機械零件的智能診斷中取得了良好效果,然而,基于卷積神經(jīng)網(wǎng)絡的智能機械故障診斷研究未充分關(guān)注不同深度的卷積神經(jīng)網(wǎng)絡模型在多傳感器信號上的性能。在本文中,我們提出了一系列基于卷積神經(jīng)網(wǎng)絡的算法來學習多個傳感器采集到的激勵響應信號數(shù)據(jù)的特征,并診斷螺栓連接結(jié)構(gòu)的松緊狀況。本文首先提出了具有兩層卷積層的卷積神經(jīng)網(wǎng)絡,對1維原始機械信號進行狀態(tài)監(jiān)測。在車架試驗臺螺栓連接轉(zhuǎn)子激振試驗數(shù)據(jù)上訓練該模型,識別率可以達到97%以上。由于深層卷積神經(jīng)網(wǎng)絡（DCNN）相比淺層CNN在沒有先驗知識的情況下從激勵響應信號中挖掘代表信息和敏感特征的能力更強,因此本文提出了一種DCNN模型。DCNN具備特征提取、特征選擇和分類的能力,能夠?qū)⒃紨?shù)據(jù)作為輸入,并提供辨識結(jié)果作為輸出。還研究了網(wǎng)絡架構(gòu)的不同參數(shù)和配置對網(wǎng)絡性能的影響。為了對不同傳... 

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 螺栓連接松緊狀態(tài)監(jiān)測方法研究現(xiàn)狀及分析
        1.2.1 依據(jù)物理特性變化的判別方法
        1.2.2 依據(jù)物理現(xiàn)象差異的判別方法
        1.2.3 依據(jù)振動信號特性變化的判別方法
    1.3 CNN在機械狀態(tài)智能監(jiān)測系統(tǒng)中的研究現(xiàn)狀及分析
    1.4 本文研究內(nèi)容
第二章 基于一維卷積神經(jīng)網(wǎng)絡的螺栓松緊狀態(tài)辨識方法
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)
        2.2.1 輸入層
        2.2.2 卷積層
        2.2.3 池化層
        2.2.4 全連接層與Softmax分類器
        2.2.5 激活函數(shù)
        2.2.6 目標函數(shù)
    2.3 卷積神經(jīng)網(wǎng)絡的訓練過程
        2.3.1 前向傳播
        2.3.2 反向傳播
    2.4 用于螺栓松緊狀態(tài)監(jiān)測的一維卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)
    2.5 數(shù)據(jù)重疊采樣
    2.6 螺栓連接松緊狀態(tài)監(jiān)測試驗
    2.7 試驗結(jié)果與分析
    2.8 本章小結(jié)
第三章 螺栓連接結(jié)構(gòu)裝配緊度監(jiān)測深層卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)
    3.1 引言
    3.2 深層卷積神經(jīng)網(wǎng)絡算法描述
        3.2.1 深層卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)與參數(shù)
        3.2.2 深層卷積神經(jīng)網(wǎng)絡算法的工作流程
    3.3 Dropout防止過擬合
    3.4 批量歸一化
    3.5 DCNN螺栓連接結(jié)構(gòu)松緊狀態(tài)監(jiān)測試驗結(jié)果
        3.5.1 第一層大卷積核寬步長對CNN訓練的影響
        3.5.2 學習率對CNN訓練的影響
        3.5.3 mini-batch大小對CNN訓練的影響
        3.5.4 批量歸一化對CNN訓練的影響
        3.5.5 數(shù)據(jù)增強對CNN訓練的影響
        3.5.6 與其它方法的對比
    3.6 本章小結(jié)
第四章 基于Shortcut方法的殘差深層卷積神經(jīng)網(wǎng)絡螺栓松緊狀態(tài)監(jiān)測模型
    4.1 引言
    4.2 基于Shortcut連接的殘差深層卷積神經(jīng)網(wǎng)絡算法描述
        4.2.1 訓練退化現(xiàn)象
        4.2.2 殘差塊結(jié)構(gòu)
        4.2.3 Shortcut直連結(jié)構(gòu)
        4.2.4 殘差結(jié)構(gòu)的學習目標
        4.2.5 RDCNN的網(wǎng)絡結(jié)構(gòu)與參數(shù)
    4.3 多測點傳感器信號監(jiān)測試驗
        4.3.1 多測點信號分析
        4.3.2 試驗結(jié)果與分析
    4.4 RDCNN模型可視化分析
    4.5 本章小結(jié)
第五章 基于遷移學習方法的Network in Network深層卷積神經(jīng)網(wǎng)絡模型
    5.1 引言
    5.2 基于遷移學習方法的Network in Network深層卷積神經(jīng)網(wǎng)絡算法描述
        5.2.1 Inception Module結(jié)構(gòu)
        5.2.2 遷移學習
        5.2.3 NINDCNN網(wǎng)絡結(jié)構(gòu)與參數(shù)
    5.3 變化測點情況下試驗結(jié)果與分析
        5.3.1 試驗結(jié)果分析
        5.3.2 與其它方法對比
    5.4 變化任務情況下的試驗結(jié)果與分析
        5.4.1 凱斯西儲大學軸承數(shù)據(jù)介紹
        5.4.2 試驗數(shù)據(jù)可視化
        5.4.3 試驗結(jié)果與分析
    5.5 本章小結(jié)
結(jié)論與展望
    結(jié)論
    展望
參考文獻
攻讀學位期間取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于阻抗法的多螺栓連接預緊扭矩檢測試驗研究[J]. 任凱,張子涵,杜飛,吳冠男,徐超.  動力學與控制學報. 2018(05)
[2]基于卷積神經(jīng)網(wǎng)絡的異步電機故障診斷[J]. 王麗華,謝陽陽,周子賢,張永宏,趙曉平.  振動.測試與診斷. 2017(06)
[3]優(yōu)化支持向量機及其在智能故障診斷中的應用[J]. 王保建,張小麗,傅楊奧驍,陳雪峰.  振動.測試與診斷. 2017(03)
[4]基于局部均值分解的螺栓連接振動松動研究[J]. 王名月,繆炳榮,李旭娟,楊忠坤.  工程機械. 2017(05)
[5]航空發(fā)動機可拆卸盤鼓型轉(zhuǎn)子拉桿螺栓裝配緊度辨識方法[J]. 張小麗,王保建,陳雪峰,程禮,陳衛(wèi).  航空動力學報. 2015(08)
[6]基于機器視覺高空飛機螺栓松動監(jiān)測仿真[J]. 劉超華,林亞軍,王述運.  計算機仿真. 2014(12)
[7]拉桿轉(zhuǎn)子裝配振動檢測分形研究[J]. 余堅,謝壽生,任立通,張子陽,王磊,王立國.  振動與沖擊. 2014(14)
[8]應變電測法測量葉根螺栓扭矩系數(shù)[J]. 楊文凱,謝清程,戚珩.  船舶工程. 2014(S1)
[9]基于壓電阻抗法的機械螺栓組松動監(jiān)測及識別[J]. 葉亮,張有忱,丁克勤,趙娜.  科學技術(shù)與工程. 2013(18)
[10]用貼片光彈法研究螺栓預緊力[J]. 陸鵬,俞樂,劉驊,周唯.  力學季刊. 2013(02)

碩士論文
[1]基于工件振動相位差的螺栓連結(jié)狀態(tài)監(jiān)測系統(tǒng)的設計與實現(xiàn)[D]. 趙建鈞.西南交通大學 2018
[2]基于CNN的載貨列車信息識別系統(tǒng)設計與實現(xiàn)[D]. 張文龍.哈爾濱工業(yè)大學 2017
[3]基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷算法研究[D]. 張偉.哈爾濱工業(yè)大學 2017
[4]基于兩路信號融合分析的螺栓松動故障診斷方法研究[D]. 孔祥娜.東北大學 2013
[5]基于壓電阻抗方法的結(jié)構(gòu)健康監(jiān)測與損傷識別研究[D]. 葉亮.北京化工大學 2013
[6]螺栓扳手測控系統(tǒng)的研究與設計[D]. 楚建軍.中南大學 2007



本文編號：3657082