發(fā)布時間：2023-11-25 03:53

　　隨著工業(yè)互聯(lián)網(wǎng)和智能制造技術(shù)的發(fā)展,現(xiàn)代機械系統(tǒng)可以實時采集到大量的反應(yīng)機械設(shè)備乃至滾動軸承運行狀態(tài)的數(shù)據(jù),在這種“大數(shù)據(jù)”驅(qū)動下如何有效進行機械故障診斷成為了前沿熱點。本學(xué)位論文針對軸承的故障診斷問題,結(jié)合深度學(xué)習(xí)理論,設(shè)計實現(xiàn)了幾種基于深度神經(jīng)網(wǎng)絡(luò)的軸承故障狀態(tài)識別方法,主要工作如下:鑒于深度神經(jīng)網(wǎng)絡(luò)本身就具有的非線性映射和特征提取的能力,以及LSTM擅長處理時間序列數(shù)據(jù)的優(yōu)點,設(shè)計實現(xiàn)了一種基于LSTM的軸承端到端故障狀態(tài)識別方法。將具有豐富信息細節(jié)的原始振動信號直接輸入LSTM模型中,并直接輸出診斷結(jié)果。通過縮減原始振動信號輸入到最終故障診斷結(jié)果之間的步驟,在獲得更豐富的原生信息的同時又充分發(fā)揮了深度神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力。針對LSTM模型有頻域信息損失的問題,設(shè)計實現(xiàn)了一種基于時頻圖像和2DCNN的軸承故障狀態(tài)識別方法。將原始振動信號轉(zhuǎn)化為時頻圖像,將時間和頻率作為圖像的兩個維度,然后將圖像輸入2DCNN模型中進行分類識別。通過累積多層的卷積池化層對,2DCNN可以看到比較長的歷史和未來信息,這使得2DCNN能夠出色地表達振動信號的長時相關(guān)性,同時還直接保留了頻域的相關(guān)信息,相...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究進展
    1.3 論文主要內(nèi)容與章節(jié)安排
2 基于LSTM的軸承故障狀態(tài)識別方法研究
    2.1 引言
    2.2 長短期記憶網(wǎng)絡(luò)(LSTM)
    2.3 基于LSTM的軸承故障狀態(tài)識別模型
    2.4 實驗驗證
    2.5 本章小結(jié)
3 基于時頻圖像和2DCNN的軸承故障狀態(tài)識別方法研究
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
    3.3 基于時頻圖像和2DCNN的軸承故障狀態(tài)識別模型
    3.4 實驗驗證
    3.5 本章小結(jié)
4 基于1DCNN的軸承故障狀態(tài)識別方法研究
    4.1 引言
    4.2 基于1DCNN的軸承故障狀態(tài)識別模型
    4.3 實驗驗證
    4.4 三種模型比較
    4.5 本章小結(jié)
5 軟件集成
    5.1 開發(fā)環(huán)境介紹
    5.2 軟件系統(tǒng)后端設(shè)計及實現(xiàn)
    5.3 軟件系統(tǒng)前端設(shè)計及實現(xiàn)
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 下一步工作展望
致謝
參考文獻



本文編號：3867219