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(jī)械系統(tǒng)可以實(shí)時(shí)采集到大量的反應(yīng)機(jī)械設(shè)備乃至滾動(dòng)軸承運(yùn)行狀態(tài)的數(shù)據(jù),在這種“大數(shù)據(jù)”驅(qū)動(dòng)下如何有效進(jìn)行機(jī)械故障診斷成為了前沿?zé)狳c(diǎn)。本學(xué)位論文針對(duì)軸承的故障診斷問(wèn)題,結(jié)合深度學(xué)習(xí)理論,設(shè)計(jì)實(shí)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(shí)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(zhǎng)處理時(shí)間序列數(shù)據(jù)的優(yōu)點(diǎn),設(shè)計(jì)實(shí)現(xiàn)了一種基于LSTM的軸承端到端故障狀態(tài)識(shí)別方法。將具有豐富信息細(xì)節(jié)的原始振動(dòng)信號(hào)直接輸入LSTM模型中,并直接輸出診斷結(jié)果。通過(guò)縮減原始振動(dòng)信號(hào)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(shí)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(duì)LSTM模型有頻域信息損失的問(wèn)題,設(shè)計(jì)實(shí)現(xiàn)了一種基于時(shí)頻圖像和2DCNN的軸承故障狀態(tài)識(shí)別方法。將原始振動(dòng)信號(hào)轉(zhuǎn)化為時(shí)頻圖像,將時(shí)間和頻率作為圖像的兩個(gè)維度,然后將圖像輸入2DCNN模型中進(jìn)行分類(lèi)識(shí)別。通過(guò)累積多層的卷積池化層對(duì),2DCNN可以看到比較長(zhǎng)的歷史和未來(lái)信息,這使得2DCNN能夠出色地表達(dá)振動(dòng)信號(hào)的長(zhǎng)時(shí)相關(guān)性,同時(shí)還直接保留了頻域的相關(guān)信息,相...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究進(jìn)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(shí)別方法研究
    2.1 引言
    2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)
    2.3 基于LSTM的軸承故障狀態(tài)識(shí)別模型
    2.4 實(shí)驗(yàn)驗(yàn)證
    2.5 本章小結(jié)
3 基于時(shí)頻圖像和2DCNN的軸承故障狀態(tài)識(shí)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(shí)頻圖像和2DCNN的軸承故障狀態(tài)識(shí)別模型
    3.4 實(shí)驗(yàn)驗(yàn)證
    3.5 本章小結(jié)
4 基于1DCNN的軸承故障狀態(tài)識(shí)別方法研究
    4.1 引言
    4.2 基于1DCNN的軸承故障狀態(tài)識(shí)別模型
    4.3 實(shí)驗(yàn)驗(yàn)證
    4.4 三種模型比較
    4.5 本章小結(jié)
5 軟件集成
    5.1 開(kāi)發(fā)環(huán)境介紹
    5.2 軟件系統(tǒng)后端設(shè)計(jì)及實(shí)現(xiàn)
    5.3 軟件系統(tǒng)前端設(shè)計(jì)及實(shí)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(xiàn)



本文編號(hào)：3867219