本文選題：風機傳動系統(tǒng) + 特征提取��； 參考：《上海電機學(xué)院》2017年碩士論文

【摘要】：風機傳動系統(tǒng)作為風機能量轉(zhuǎn)換的核心部件,由于受惡劣的工作環(huán)境、風速的不確定性、交變負載等因素的影響,造成風機傳動系統(tǒng)故障頻發(fā)。本文基于深度學(xué)習網(wǎng)絡(luò)對風機傳動系統(tǒng)的主要部件進行故障診斷,并對風機傳動系統(tǒng)主要部件故障診斷系統(tǒng)進行設(shè)計,主要研究工作如下:(1)對實驗獲取的軸承、齒輪振動數(shù)據(jù)進行數(shù)據(jù)預(yù)處理,利用最小二乘法消除數(shù)據(jù)的線性趨勢項,再用五點三次平滑法對數(shù)據(jù)進行平滑處理,為故障診斷模型的建立奠定了基礎(chǔ)。(2)將經(jīng)過預(yù)處理但未提取特診的軸承、齒輪數(shù)據(jù)稱為原始數(shù)據(jù),基于這些原始數(shù)據(jù),建立基于深度學(xué)習網(wǎng)絡(luò)的風機傳動系統(tǒng)軸承、齒輪的故障診斷模型。對深度學(xué)習網(wǎng)絡(luò)的關(guān)鍵參數(shù)進行設(shè)置,考慮不同的隱藏層數(shù)、不同樣本輸入長度和不同的隱藏節(jié)點數(shù)進行模型的設(shè)計,實例分析結(jié)果表明該故障診斷模型的可行性和有效性。(3)提取軸承和齒輪振動數(shù)據(jù)的特征參數(shù),再利用深度學(xué)習網(wǎng)絡(luò)建立風機傳動系統(tǒng)軸承、齒輪的故障診斷模型,對軸承、齒輪的故障進行診斷。與BP神經(jīng)網(wǎng)絡(luò)和s_kohonen聚類算法進行對比試驗,結(jié)果表明該故障診斷模型擁有較高的診斷準確率。(4)搭建基于深度學(xué)習的風機傳動系統(tǒng)主要部件故障診斷的原型系統(tǒng),進行系統(tǒng)各模塊的分析。該系統(tǒng)包括數(shù)據(jù)預(yù)處理模型、特征提取模型、深度學(xué)習模型等,實驗結(jié)果驗證了所建模型的有效性。
[Abstract]:The fan transmission system, as the core component of the energy conversion of the fan, has caused the frequent failure of the fan transmission system due to the influence of the indeterminacy of the working environment, the uncertainty of wind speed and the alternating load. This paper is based on the deep learning network to diagnose the main parts of the fan transmission system and to the main part of the fan transmission system. The main research work of the fault diagnosis system is as follows: (1) preprocessing the data of the bearing and gear vibration obtained by the experiment, using the least square method to eliminate the linear trend of the data, and then smoothing the data with the five point three smoothing method, which lays the foundation for the establishment of the fault diagnosis model. (2) it will be preformed. But it does not extract the bearing of the special diagnosis. The gear data is called the original data. Based on these original data, a fault diagnosis model for the bearing of the fan transmission system based on the depth learning network is established. The key parameters of the depth learning network are set up, considering the different hidden layers, the input length of different samples and the different hidden nodes. The example analysis results show the feasibility and effectiveness of the fault diagnosis model. (3) extracting the characteristic parameters of the vibration data of the bearing and gear, and using the depth learning network to establish the bearing of the fan transmission system, the fault diagnosis model of the gear, the diagnosis of the fault of the bearing and gear, and the BP neural network and the s_kohone N clustering algorithm is used for comparison test. The results show that the fault diagnosis model has a high diagnostic accuracy. (4) build a prototype system for fault diagnosis of main parts of fan transmission system based on depth learning, and analyze the modules of the system. The system includes data preprocessing model, feature extraction model, depth learning model, and so on. The results verify the validity of the model.
【學(xué)位授予單位】：上海電機學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM315

【參考文獻】

相關(guān)期刊論文 前10條

1 劉紅光;馬雙剛;劉桂鋒;;基于降噪自動編碼器的中文新聞文本分類方法研究[J];現(xiàn)代圖書情報技術(shù);2016年06期

2 ;2015年全球風電裝機統(tǒng)計[J];風能;2016年02期

3 李狀;馬志勇;姜銳;柳亦兵;;風電機組齒輪箱故障分類方法研究[J];機械設(shè)計與制造;2015年02期

4 趙志科;張曉光;王新;;基于局部均值分解的機械振動信號趨勢項消除方法[J];鄭州大學(xué)學(xué)報(工學(xué)版);2014年05期

5 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動編碼器的研究與展望[J];計算機與現(xiàn)代化;2014年08期

6 申戩林;王靈梅;孟恩隆;郭東杰;;改進小波包聯(lián)合PNN的風電故障診斷研究[J];可再生能源;2014年04期

7 胡振邦;許睦旬;姜歌東;張東升;;基于小波降噪和短時傅里葉變換的主軸突加不平衡非平穩(wěn)信號分析[J];振動與沖擊;2014年05期

8 余凱;賈磊;陳雨強;徐偉;;深度學(xué)習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

9 杭俊;張建忠;程明;王偉;張明;;風力發(fā)電系統(tǒng)狀態(tài)監(jiān)測和故障診斷技術(shù)綜述(英文)[J];電工技術(shù)學(xué)報;2013年04期

10 李翠英;;智能建模中化工數(shù)據(jù)的預(yù)處理[J];重慶科技學(xué)院學(xué)報(自然科學(xué)版);2012年02期

相關(guān)博士學(xué)位論文 前2條

1 王婷;EMD算法研究及其在信號去噪中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

2 曾慶虎;機械傳動系統(tǒng)關(guān)鍵零部件故障預(yù)測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前5條

1 馬魯;風電機組傳動系統(tǒng)關(guān)鍵機械部件的故障檢測方法研究[D];上海電機學(xué)院;2016年

2 豐曉霞;基于深度學(xué)習的圖像識別算法研究[D];太原理工大學(xué);2015年

3 謝吉朋;云平臺下基于深度學(xué)習的高速列車走行部故障診斷技術(shù)研究[D];西南交通大學(xué);2015年

4 單外平;基于深度信念網(wǎng)絡(luò)的變速器故障分類識別研究[D];華南理工大學(xué);2015年

5 劉霞;風力機傳動系統(tǒng)故障診斷研究[D];華中科技大學(xué);2013年

，

本文編號：2010899