滾動軸承是旋轉機械安全、可靠運行的關鍵零部件。滾動軸承出現(xiàn)故障將嚴重影響設備使用壽命及生產(chǎn)效率。針對軸承等旋轉機械故障頻發(fā)部件,開展故障趨勢及剩余壽命預測可顯著降低設備維護成本,提高企業(yè)管理水平,避免重大生產(chǎn)事故,實現(xiàn)旋轉機械由“事后維修”到“預知維修”的轉變。因此,本文的研究具有極大的理論與工程實踐意義。本論文以振動信號時域特征為基礎,圍繞深度學習理論及時間序列分析技術開展了基于稀疏編碼的滾動軸承故障預測方法研究。首先,在綜述了各類故障預測技術的基礎上,強調了基于數(shù)據(jù)驅動的方法在故障預測上的優(yōu)勢,并對比分析了傳統(tǒng)機器學習方法中的基于Bagging的決策樹預測方法和基于粒子群的支持向量回歸預測方法對時域特征的預測性能。研究發(fā)現(xiàn)兩種機器學習方法需要繁瑣的多參數(shù)調優(yōu),并且魯棒性和預測精度有待提高。其次,針對機器學習方法在軸承故障預測上的不足,采用最新的深度學習方法對軸承故障進行預測,并著重介紹了深度學習中稀疏編碼方法。該方法通過無監(jiān)督字典學習與系數(shù)求解的重復迭代,深入挖掘數(shù)據(jù)內部信息,對信號稀疏重構,有效減少數(shù)據(jù)本身的冗余信息。通過與自回歸模型結合能夠在少量參數(shù)調優(yōu)的情況下做到對數(shù)據(jù)的高效...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    §1.1 課題研究背景和意義
    §1.2 旋轉機械故障預測技術國內外研究概述
        §1.2.1 旋轉機械故障預測方法概述
        §1.2.2 國內外研究歷史概述
        §1.2.3 國內外研究現(xiàn)狀概述
    §1.3 深度學習理論概述
    §1.4 課題來源
    §1.5 論文主要內容與章節(jié)安排
第二章 機器學習方法在故障預測中的應用
    §2.1 基于決策樹的故障預測方法
        §2.1.1 決策樹基本原理
        §2.1.2 基于Bagging的決策樹預測方法
    §2.2 基于支持向量機的故障預測方法
        §2.2.1 SVM理論介紹
        §2.2.2 基于粒子群的SVR預測方法
    §2.3 時域特征參數(shù)提取
    §2.4 機械故障預測實例分析
        §2.4.1 試驗臺及數(shù)據(jù)說明
        §2.4.2 基于bagging的決策樹預測結果
        §2.4.3 基于PSO-SVR預測結果
    §2.5 本章小結
第三章 權重約束稀疏編碼方法及在軸承故障預測中的應用
    §3.1 稀疏編碼
        §3.1.1 稀疏編碼概述
        §3.1.2 稀疏編碼的數(shù)學解釋
    §3.2 基于稀疏編碼的故障預測方法
        §3.2.1 構建過完備字典
        §3.2.2 L₁范數(shù)正則化
        §3.2.3 稀疏優(yōu)化約束
        §3.2.4 稀疏自回歸預測模型
    §3.3 權重約束稀疏編碼預測方法
    §3.4 實驗驗證
        §3.4.1 SNNE故障預測結果
        §3.4.2 WCSC故障預測分析
    §3.5 稀疏編碼方法與機器學習方法的對比研究
    §3.6 本章小結
第四章 分層深度稀疏編碼及在軸承故障預測中的應用
    §4.1 深度稀疏編碼模型
    §4.2 基于分層稀疏編碼的預測框架
        §4.2.1 稀疏編碼模塊
        §4.2.2 最大值池化模塊
        §4.2.3 分層網(wǎng)絡預測模型
    §4.3 實驗驗證
        §4.3.1 案例一
        §4.3.2 案例二
    §4.4 HSC與PSO-SVR、WCSC方法的對比研究
        §4.4.1 軸承故障預測實例一
        §4.4.2 軸承故障預測實例二
        §4.4.3 實驗結論
    §4.5 軸承剩余壽命預測
    §4.6 本章小結
第五章 總結和展望
    §5.1 總結
    §5.2 展望
參考文獻
致謝
攻讀碩士期間主要研究成果



本文編號：3861686