發(fā)布時間：2021-03-04 00:54

　　船舶往復式二級空壓機是船舶關(guān)鍵的動力設(shè)備之一,根據(jù)大數(shù)據(jù)時代中國制造2025的要求,基于一維時域振動信號的船舶空壓機故障診斷具有現(xiàn)實意義。HHT算法具有處理非線性非平穩(wěn)信號的優(yōu)勢,卷積神經(jīng)網(wǎng)絡(luò)具有提取空間特征的能力,改進的循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM神經(jīng)網(wǎng)絡(luò)具有時序信號長期和短期記憶的特性。針對添加噪音的實驗室條件測取的振動信號,本文提出4種深度學習神經(jīng)網(wǎng)絡(luò)模型用以診斷空壓機故障。本文首先使用HHT相關(guān)算法、數(shù)據(jù)集增強技術(shù)處理添加噪音的振動信號,得到相關(guān)系數(shù)度大的本征模態(tài)分量,然后制作5種狀態(tài)的數(shù)據(jù)集。通過搭建一種3層卷積層的卷積神經(jīng)網(wǎng)絡(luò)驗證卷積神經(jīng)網(wǎng)絡(luò)在船舶空壓機故障診斷的有效性。利用批歸一化（BN層）和Dropout技術(shù)優(yōu)化所提卷積神經(jīng)網(wǎng)絡(luò),有效降低了過擬合和提高了泛化能力與識別率。但在較大信噪比的數(shù)據(jù)集上,識別率較低。LSTM神經(jīng)網(wǎng)絡(luò)具有記憶時序信號長期和短期特征的能力,提出一種LSTM神經(jīng)網(wǎng)絡(luò)用于船舶空壓機一維時域振動信號故障診斷,結(jié)果取得97%的識別率,證明了LSTM神經(jīng)網(wǎng)絡(luò)在船舶空壓機故障診斷的有效性。提出一種改進EMD算法用于混合不同信噪比噪音的振動信號以模擬真實條件下的船舶空壓... 

【文章來源】：集美大學福建省

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

LeNet網(wǎng)絡(luò)結(jié)構(gòu)

集美大學碩士學位論文基于HHT和深度學習的船舶空壓機故障診斷4經(jīng)網(wǎng)絡(luò)，即“神經(jīng)認知（Neurocognition）”用以處理手寫字符識別。該模型中有S型單元和C型單元兩種重要的單元，S型單元類似于卷積神經(jīng)網(wǎng)絡(luò)的卷積操作（Convolution）提取局部特征，C型單元類似于卷積神經(jīng)網(wǎng)絡(luò)的池化操作（Pooling）用于抽象和容錯。20世紀90年代，科學家YannLeCun等人提出了基于梯度學習的卷積神經(jīng)網(wǎng)絡(luò)算法（LeNet）。該網(wǎng)絡(luò)用于手寫字體識別時錯誤率降低到了1%以下，而且該網(wǎng)絡(luò)也被用于美國郵政系統(tǒng)負責手寫識別郵政編碼。圖1-1LeNet網(wǎng)絡(luò)結(jié)構(gòu)2012年，科學家GeoffreyE.Hinton設(shè)計的一種特殊結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）用于當年的計算機視覺ImageNet挑戰(zhàn)賽中取得遠超第二名12%的優(yōu)異成績。此后卷積神經(jīng)網(wǎng)絡(luò)成為計算機視覺的標配，2015年由何愷明提出的殘差卷積神經(jīng)網(wǎng)絡(luò)（ResNet）以高于人類肉眼的識別率在ImageNet挑戰(zhàn)賽取得成功[16]。2016年,隨著SoundNet網(wǎng)絡(luò)被MIT的Yusuf等人的發(fā)明[17]，標志著卷積神經(jīng)網(wǎng)絡(luò)開始走進語音識別領(lǐng)域，使卷積神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)的二維信號識別領(lǐng)域跨入到一維信號識別領(lǐng)域。目前在自然語言處理、語言互譯、同聲翻譯等領(lǐng)域卷積神經(jīng)網(wǎng)絡(luò)正發(fā)揮著越來越大的作用。圖1-2SoundNet網(wǎng)絡(luò)結(jié)構(gòu)

集美大學碩士學位論文基于HHT和深度學習的船舶空壓機故障診斷6圖1-3機器翻譯示意圖2014年，Vinyals等人在自動描述圖像內(nèi)容的任務(wù)中應(yīng)用LSTM的雙層編碼器成功為圖像生成標題[23]，為圖像自然語言描述打開了一扇大門。2018年，谷歌公司BERT(BidirectionalEncoderRepresentationsfromTransformers)是循環(huán)神經(jīng)網(wǎng)絡(luò)的典型應(yīng)用，在自然語言處理技術(shù)中取得不俗的成就。谷歌AI團隊新發(fā)布的BERT模型在閱讀理解頂級水平測試SQuAD1.1中表現(xiàn)出驚人成績，兩項衡量指標都全面超過人類[24]。隨著百度天貓精靈等商業(yè)產(chǎn)品的發(fā)明和廣泛使用，以LSTM為代表的RNN網(wǎng)絡(luò)在自然語言處理方面將取得更大的成就。基于此，本文研究將循環(huán)神經(jīng)網(wǎng)絡(luò)用于船舶往復式二級空壓機故障診斷領(lǐng)域的可行性和優(yōu)化。1.3本文主要研究內(nèi)容與結(jié)構(gòu)本文研究基于經(jīng)驗?zāi)B(tài)分解處理原始數(shù)據(jù)得到本征模態(tài)分量,然后通過希爾伯特變換得到本征模態(tài)分量的希爾伯特普從而研究信號的頻率范圍，為采樣頻率和采樣點數(shù)的設(shè)置提供理論依據(jù)。使用數(shù)據(jù)集增強技術(shù)和EEMD分解得到數(shù)據(jù)集。初步探討了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)直接作用于一維時域振動信號在船舶空壓機故障診斷方面的可行性，通過TensorFlow搭建深度學習框架[25]以及使用隊列線程和分布式計算進行計算優(yōu)化[26]，研究了一種經(jīng)過優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合的神經(jīng)網(wǎng)絡(luò)（CRNN）在此類信號故障診斷方面的性能。通過數(shù)據(jù)可視化技術(shù)將損失函數(shù)、準確率以及流程圖等顯示出來以研究神經(jīng)網(wǎng)絡(luò)模型的優(yōu)劣。第一章：介紹了船舶往復式二級空壓機故障診斷的研究背景、研究意義，闡述了希爾伯特黃變換、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、機械故障診斷等的研究現(xiàn)狀和不足，引出了以卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)為代表的深度學習算法在船舶空壓機


本文編號：3062265