隨著科學(xué)技術(shù)的發(fā)展,分析機(jī)械設(shè)備產(chǎn)生的海量數(shù)據(jù)進(jìn)而為設(shè)備的自主健康管理、自主保障等提供有益的決策信息成為工業(yè)界的重要任務(wù)之一,其中對機(jī)械設(shè)備進(jìn)行退化狀態(tài)建模及剩余壽命(Remaining Useful Life,RUL)預(yù)測是核心內(nèi)容。傳統(tǒng)方法因過度依賴信號處理技術(shù)及專家經(jīng)驗,處理復(fù)雜時間序列預(yù)測精度待提高等問題,逐漸無法滿足準(zhǔn)確、高效的設(shè)備健康管理要求,因此尋找更優(yōu)的機(jī)械設(shè)備退化狀態(tài)建模及剩余壽命預(yù)測方法成為愈加重要的研究課題。深度學(xué)習(xí)作為近年來的新興算法,以強(qiáng)大的高層特征提取能力及非線性函數(shù)映射能力在諸多領(lǐng)域取得了優(yōu)異成果,但在機(jī)械設(shè)備的健康管理領(lǐng)域的研究仍待發(fā)掘。本文以解決傳統(tǒng)方法中的問題為出發(fā)點,深入研究了基于深度學(xué)習(xí)的設(shè)備退化狀態(tài)建模方法,并在獲得退化曲線后進(jìn)行剩余壽命預(yù)測方法的研究。本文從機(jī)械設(shè)備的一維和多維監(jiān)測數(shù)據(jù)兩種情況出發(fā),分別以軸承和渦輪發(fā)動機(jī)為例,開展了數(shù)據(jù)驅(qū)動方式下的機(jī)械設(shè)備退化狀態(tài)建模和剩余壽命預(yù)測研究。首先,以典型的軸承振動監(jiān)測數(shù)據(jù)為研究對象,在對比現(xiàn)有深度學(xué)習(xí)模型優(yōu)缺點的基礎(chǔ)上,提出了基于堆疊去噪自編碼器(Stacked denoising autoenco...

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1軸承的典型結(jié)構(gòu)

化狀態(tài)建模的深度學(xué)習(xí)模型選擇，包括深度學(xué)對去噪自編碼機(jī)的特征提取能力研究。之后在軸承退化狀態(tài)建模方法，給出了方法框架以及2012軸承數(shù)據(jù)集對2.3節(jié)中的方法進(jìn)行驗證。在軸承數(shù)據(jù)及預(yù)處理結(jié)果，之后給出了軸承健康中的退化狀態(tài)建模方法得到實驗結(jié)果后，表性的方法進(jìn)行對比并分析，從而....

圖2-9Bearing1₃的原始振動信號步驟（2）：數(shù)據(jù)歸一化與訓(xùn)練集／測試集劃分

利用傳感器獲取軸承的原始振動信號，然后將數(shù)據(jù)歸一化至[集和測試集。訓(xùn)練集作為堆疊去噪自編碼器的輸入進(jìn)行網(wǎng)絡(luò)參逐個去噪自編碼機(jī)的預(yù)訓(xùn)練以及全局參數(shù)微調(diào)，再將提取出的SOM網(wǎng)絡(luò)中進(jìn)行無監(jiān)督訓(xùn)練。最后直接將測試數(shù)據(jù)輸入到訓(xùn)編碼器進(jìn)而輸入到SOM網(wǎng)絡(luò)中獲得健康值，構(gòu)建退化曲線。對....

圖2-10取絕對值后歸一化的Bearing1₃振動信號步驟（3）：堆疊去噪自編碼器訓(xùn)練

圖2-10取絕對值后歸一化的Bearing1₃振動信號（3）：堆疊去噪自編碼器訓(xùn)練。在訓(xùn)練集上先進(jìn)行編碼網(wǎng)絡(luò)機(jī)的無監(jiān)督預(yù)訓(xùn)練，單個自編碼機(jī)訓(xùn)練完成后保留其隱層，將個自編碼機(jī)的輸入進(jìn)行訓(xùn)練。預(yù)訓(xùn)練完成后在解碼網(wǎng)絡(luò)中將網(wǎng)相對位置預(yù)訓(xùn)練好的權(quán)值轉(zhuǎn)置。最后以....

圖2-13PRONOSTIA軸承實驗平臺表2-2PHM2012挑戰(zhàn)數(shù)據(jù)描述

圖2-13PRONOSTIA軸承實驗平臺表2-2PHM2012挑戰(zhàn)數(shù)據(jù)描述數(shù)據(jù)工況1工況2工況練數(shù)據(jù)Bearing1₁Bearing2₁BearinBearing1₂Bearing2<s....

本文編號：4029205