感應(yīng)電機(jī)因具有結(jié)構(gòu)簡單、運(yùn)行可靠且價格低廉等巨大優(yōu)勢,被廣泛應(yīng)用于現(xiàn)代交通系統(tǒng)、工業(yè)生產(chǎn)以及居民的日常生活當(dāng)中。而軸承又是感應(yīng)電機(jī)中最重要的組成部分;因此,為確保機(jī)械設(shè)備的安全性,迫切需要及時、準(zhǔn)確、有效的電機(jī)軸承故障診斷方法。本文首先針對電機(jī)軸承出現(xiàn)故障時,強(qiáng)噪聲背景下弱特征信號的識別問題,采用了基于Teager-Kaiser能量算子故障特征提取方法。從理論上分析了 Teager-Kaiser能量算子應(yīng)用到雜散磁場中不僅能夠解調(diào)出故障特征頻率,還能夠使得較弱的故障特征頻率的幅值得到強(qiáng)化,從而提高故障檢測的能力。在此基礎(chǔ)上,本文先后采用了兩個卷積神經(jīng)網(wǎng)絡(luò)模型,對從雜散磁場信號中提取到的特征進(jìn)行故障的分類識別。其中第一個是經(jīng)典的一維卷積神經(jīng)網(wǎng)絡(luò)模型,該模型分別利用磁場信號的時域和頻域特征進(jìn)行故障識別,為了增強(qiáng)模型魯棒性和泛化能力,使用重采樣的方法對所采集的磁場數(shù)據(jù)集進(jìn)行強(qiáng)化。并將Teager-Kaiser能量算子提取到的時域和頻域特征,輸入模型中進(jìn)行訓(xùn)練和故障識別,結(jié)果證明應(yīng)用頻域的故障識別率比時域高2%左右,達(dá)到了 85%。通過對雜散磁場信號特點的進(jìn)一步分析,經(jīng)過多次的調(diào)整、及試驗,提...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題的來源及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容和章節(jié)安排
2 感應(yīng)電機(jī)滾動軸承的損傷特征
    2.1 軸承的結(jié)構(gòu)
    2.2 軸承的失效機(jī)理
    2.3 軸承損傷的振動特征
    2.4 電機(jī)軸承損傷的磁動勢特征
        2.4.1 氣隙長度變化
        2.4.2 轉(zhuǎn)矩波動
    2.5 電機(jī)軸承損傷的雜散磁密特征
        2.5.1 電機(jī)雜散磁密的理論基礎(chǔ)
        2.5.2 雜散磁通密度中的故障特征分析
    2.6 本章小結(jié)
3 基于Teager-Kaiser能量算子的故障特征提取方法研究
    3.1 TKEO能量算子
    3.2 TKEO解調(diào)后的磁場特征
    3.3 本章小結(jié)
4 基于WDCNN的軸承故障識別方法研究
    4.1 卷積神經(jīng)網(wǎng)絡(luò)CNN
        4.1.1 前向傳播
        4.1.2 誤差反向傳播
        4.1.3 優(yōu)化算法
        4.1.4 強(qiáng)化數(shù)據(jù)集
        4.1.5 基于一維卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷
    4.2 深度卷積神經(jīng)網(wǎng)絡(luò)WDCNN
        4.2.1 寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)算法描述
        4.2.2 批量歸一化處理層
        4.2.3 基于一維寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷
    4.3 一維寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)的故障診斷流程
    4.4 本章小結(jié)
5 感應(yīng)電機(jī)軸承故障的試驗研究
    5.1 感應(yīng)電機(jī)軸承損傷系統(tǒng)試驗平臺
    5.2 基于TKEO和WDCNN的故障診斷方法的試驗驗證
        5.2.1 基于TKEO的故障特征提取
        5.2.2 基于WDCNN的故障識別
    5.3 本章小節(jié)
結(jié)論
參考文獻(xiàn)
致謝
作者簡歷及攻讀碩士學(xué)位期間的科研成果



本文編號：3761991