行星齒輪箱在眾多機(jī)電系統(tǒng)中承擔(dān)著至關(guān)重要的傳動(dòng)作用,其一旦發(fā)生故障,將有可能帶來(lái)經(jīng)濟(jì)損失與人員傷亡,因此非常有必要對(duì)其進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷。然而在變轉(zhuǎn)速行星齒輪箱的智能診斷領(lǐng)域,從振動(dòng)信號(hào)中提取故障特征非常困難,而且智能診斷模型難以對(duì)未知轉(zhuǎn)速下的故障進(jìn)行診斷。本文針對(duì)以上問(wèn)題,首先通過(guò)分析行星齒輪箱振動(dòng)特性,建立了行星輪故障情況下的行星齒輪箱振動(dòng)模型,結(jié)合實(shí)測(cè)行星齒輪箱振動(dòng)信號(hào)進(jìn)行分析,驗(yàn)證了變轉(zhuǎn)速下的行星齒輪箱振動(dòng)信號(hào)具有強(qiáng)非平穩(wěn)性與多頻率調(diào)制特性。結(jié)合行星齒輪箱振動(dòng)信號(hào)特性設(shè)計(jì)了基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的故障智能診斷方案,該方案能夠自動(dòng)提取故障特征,能夠在已知變轉(zhuǎn)速下診斷兩種難以分辨的行星輪故障。針對(duì)智能診斷模型在未知轉(zhuǎn)速下的跨域診斷問(wèn)題,本文提出了三種優(yōu)化策略。首先通過(guò)在訓(xùn)練過(guò)程中加入少量未知轉(zhuǎn)速的驗(yàn)證樣本,使模型能夠在未知轉(zhuǎn)速下進(jìn)行智能診斷;其次,考慮到在訓(xùn)練階段無(wú)法獲取目標(biāo)轉(zhuǎn)速下的振動(dòng)信號(hào)的情況,基于Dropout策略和殘差模塊對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化,以增強(qiáng)模型的泛化能力,從而實(shí)現(xiàn)在未知轉(zhuǎn)速下的故障診斷;最后,通過(guò)生成對(duì)抗網(wǎng)絡(luò)生成未知轉(zhuǎn)速下的振動(dòng)信號(hào)來(lái)擴(kuò)充訓(xùn)...

【文章頁(yè)數(shù)】：97 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景
        1.1.1 基于信號(hào)分析法的變轉(zhuǎn)速行星齒輪箱故障診斷
        1.1.2 基于傳統(tǒng)機(jī)器學(xué)習(xí)的行星齒輪箱故障診斷
        1.1.3 基于深度學(xué)習(xí)的智能故障診斷
        1.1.4 智能診斷模型的跨域遷移診斷
    1.2 研究?jī)?nèi)容
    1.3 研究意義
2 變轉(zhuǎn)速行星齒輪箱振動(dòng)信號(hào)特性分析
    2.1 行星齒輪箱振動(dòng)特性
    2.2 行星齒輪箱振動(dòng)仿真模型
    2.3 變轉(zhuǎn)速行星齒輪箱振動(dòng)測(cè)試信號(hào)分析
    2.4 本章小結(jié)
3 基于DCNN的變轉(zhuǎn)速行星齒輪箱故障診斷
    3.1 DCNN模型設(shè)計(jì)
    3.2 數(shù)據(jù)預(yù)處理
    3.3 DCNN模型的訓(xùn)練和評(píng)估
        3.3.1 DCNN模型訓(xùn)練流程
        3.3.2 DCNN模型評(píng)估流程
        3.3.3 DCNN模型前向傳播
        3.3.4 損失函數(shù)及梯度計(jì)算
        3.3.5 DCNN模型的參數(shù)優(yōu)化
    3.4 DCNN在已知變轉(zhuǎn)速下的診斷性能研究
    3.5 DCNN在未知轉(zhuǎn)速下的診斷性能測(cè)試
    3.6 本章小結(jié)
4 基于DCNN優(yōu)化的跨域診斷
    4.1 基于目標(biāo)域數(shù)據(jù)驗(yàn)證的跨域診斷方案
    4.2 基于網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的跨域診斷方案
        4.2.1 Dropout策略
        4.2.2 Residual Block結(jié)構(gòu)
        4.2.3 基于Dropout和DCNN模型
        4.2.4 優(yōu)化的ResDCNN模型跨域診斷性能試驗(yàn)
    4.3 本章小結(jié)
5 基于GAN振動(dòng)信號(hào)生成的跨域診斷
    5.1 分類輔助的生成對(duì)抗網(wǎng)絡(luò)
        5.1.1 生成對(duì)抗網(wǎng)絡(luò)
        5.1.2 條件生成對(duì)抗網(wǎng)絡(luò)與分類輔助的生成對(duì)抗網(wǎng)絡(luò)
    5.2 基于GAN的行星齒輪箱振動(dòng)信號(hào)生成方案
        5.2.1 GAN判別模型與生成模型結(jié)構(gòu)
        5.2.2 GAN訓(xùn)練策略
        5.2.3 GAN評(píng)估方案
    5.3 基于GAN增強(qiáng)的DCNN跨域診斷
        5.3.1 GAN生成信號(hào)質(zhì)量測(cè)試
        5.3.2 融合生成信號(hào)的跨域診斷實(shí)驗(yàn)
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3861478