【摘要】：自動(dòng)傾斜器是直升機(jī)傳動(dòng)系統(tǒng)的重要組成部分,滾動(dòng)軸承作為自動(dòng)傾斜器中的核心部件,若發(fā)生故障必然給直升機(jī)的飛行帶來(lái)安全隱患。因此,研究滾動(dòng)軸承故障診斷方法對(duì)保證直升機(jī)的安全飛行有著重要的實(shí)際意義。自動(dòng)傾斜器滾動(dòng)軸承具有滾珠多、尺寸大和轉(zhuǎn)速低的特點(diǎn),傳統(tǒng)軸承故障診斷方法過(guò)程復(fù)雜,且識(shí)別率不高,深度學(xué)習(xí)作為一種人工智能技術(shù),在處理大數(shù)據(jù)任務(wù)中有著獨(dú)特的優(yōu)勢(shì),已在許多領(lǐng)域取得了不錯(cuò)的效果。本文利用卷積自編碼器(Deep Convolutional AutoEncoder,DCAE)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN),開(kāi)展了滾動(dòng)軸承故障診斷方法研究。主要工作內(nèi)容和研究成果如下:(1)介紹了相關(guān)理論基礎(chǔ)。首先,自動(dòng)傾斜器滾動(dòng)軸承采集的振動(dòng)信號(hào)具有非線性、非平穩(wěn)的特性,介紹了小波變換的時(shí)頻分析方法;其次,介紹了CNN的基本結(jié)構(gòu)和分類原理;最后,介紹了DCAE的結(jié)構(gòu)和去噪原理。(2)針對(duì)直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承具有滾珠多、尺寸大和轉(zhuǎn)速低的特點(diǎn),且工作環(huán)境復(fù)雜、噪聲干擾大的問(wèn)題,提出了基于DCAE的深度學(xué)習(xí)圖像去噪方法。首先,構(gòu)造不同噪聲環(huán)境下的小波時(shí)頻圖;其次,設(shè)計(jì)了用于圖像去噪的DCAE網(wǎng)絡(luò)模型,通過(guò)實(shí)驗(yàn)確定網(wǎng)絡(luò)層數(shù)、底層卷積核數(shù)量、學(xué)習(xí)率和損失函數(shù)等參數(shù)。實(shí)驗(yàn)結(jié)果表明,不論時(shí)頻圖含噪聲大或者是小,DCAE都有較好的去噪效果。(3)提出了基于DCAE-CNN的自動(dòng)傾斜器滾動(dòng)軸承的故障診斷方法。首先,利用不同噪聲環(huán)境下的時(shí)頻圖訓(xùn)練DCAE,減小噪聲對(duì)時(shí)頻圖的干擾;其次,通過(guò)實(shí)驗(yàn)確定最佳CNN的網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),最后,利用CNN將去噪后的時(shí)頻圖進(jìn)行故障分類。利用課題組自動(dòng)傾斜器滾動(dòng)軸承數(shù)據(jù)集和凱斯西儲(chǔ)大學(xué)公開(kāi)軸承數(shù)據(jù)集開(kāi)展真實(shí)診斷實(shí)驗(yàn),結(jié)果表明,本文方法在不同的噪聲環(huán)境下都有著較好的診斷效果,尤其在高噪聲環(huán)境下,與其它深度學(xué)習(xí)方法對(duì)比,有著更高的診斷正確率。
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：V275.1;V267
【圖文】：

圖 1-1 傳統(tǒng)軸承故障診斷步驟度傳感器裝置采集，將采集到用的處理方法有平滑處理、剔速傳感裝置采集的振動(dòng)信號(hào)往的預(yù)處理中應(yīng)用最為廣泛，常、小波濾波等。故障診斷方法中的核心環(huán)節(jié)，，傳統(tǒng)故障診斷方法的特征提征，其中，時(shí)域特征有均值、譜[9]、包絡(luò)譜[10]、奇異譜[11]、峭3]、Wigner-Ville 分布、經(jīng)驗(yàn)?zāi)B(tài)分換[18,19]等。特征進(jìn)行故障類型判別，常見(jiàn)的量機(jī)[22]、人工神經(jīng)網(wǎng)絡(luò)[23]等，類效果，從而得到了廣泛的應(yīng)用

空大學(xué)碩士學(xué)位論文 第 1 紀(jì)以來(lái)，隨著計(jì)算機(jī)計(jì)算能力的巨大提高，為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練提。目前，深度學(xué)習(xí)已成為許多學(xué)者研究的對(duì)象，已成功應(yīng)用于圖像識(shí)測(cè)[25]、計(jì)算機(jī)視覺(jué)[26]等領(lǐng)域。深度學(xué)習(xí)具有自動(dòng)提取特征的優(yōu)點(diǎn)，人為設(shè)計(jì)特征的過(guò)程，國(guó)內(nèi)外已有許多學(xué)者將深度學(xué)習(xí)用在軸承故[27,28]，并取得了比較理想的效果。下面將詳細(xì)介紹幾種基于深度學(xué)習(xí)斷方法與其研究現(xiàn)狀：1) 基于深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)的軸承故障方法[29,30]：率生成模型，主要由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann M堆疊組成，網(wǎng)絡(luò)訓(xùn)練過(guò)程為逐層貪婪訓(xùn)練單個(gè) RBM，其中，RBM 與 DB圖 1-2、圖 1-3 所示。

目標(biāo)檢測(cè)[25]、計(jì)算機(jī)視覺(jué)[26]等領(lǐng)域。深度學(xué)習(xí)具有自動(dòng)提取特征的優(yōu)點(diǎn)，省去了繁瑣的人為設(shè)計(jì)特征的過(guò)程，國(guó)內(nèi)外已有許多學(xué)者將深度學(xué)習(xí)用在軸承故障診斷研究中[27,28]，并取得了比較理想的效果。下面將詳細(xì)介紹幾種基于深度學(xué)習(xí)的軸承故障診斷方法與其研究現(xiàn)狀：(1) 基于深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)的軸承故障方法[29,30]：DBN 是一種概率生成模型，主要由多個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machines,RBM)堆疊組成，網(wǎng)絡(luò)訓(xùn)練過(guò)程為逐層貪婪訓(xùn)練單個(gè) RBM，其中，RBM 與 DBN 結(jié)構(gòu)分別如圖 1-2、圖 1-3 所示。圖 1-2 受限玻爾茲曼機(jī)結(jié)構(gòu)圖

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬峰濤;劉文勝;王媛媛;;直升機(jī)自動(dòng)傾斜器大軸承耐久性試驗(yàn)機(jī)研制[J];軸承;2018年05期

2 王媛媛;馬峰濤;劉文勝;郭亮;張彥勇;;直升機(jī)自動(dòng)傾斜器立式專用軸承試驗(yàn)機(jī)的研制[J];軸承;2019年06期

3 王澤峰;李清龍;;直升機(jī)機(jī)動(dòng)飛行過(guò)程中的自動(dòng)傾斜器載荷分析[J];科技創(chuàng)新與應(yīng)用;2018年01期

4 劉峰;王學(xué)雷;郭希娟;張少坤;;基于ANSYS和ADAMS的自動(dòng)傾斜器柔性動(dòng)平臺(tái)動(dòng)力學(xué)仿真分析[J];現(xiàn)代制造工程;2014年11期

5 李小龍;楊茂;;無(wú)自動(dòng)傾斜器旋翼分析[J];科學(xué)技術(shù)與工程;2012年16期

6 孫偉;李新民;金小強(qiáng);黃建萍;張先輝;;基于MCKD和增強(qiáng)倒頻譜的直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法[J];振動(dòng)與沖擊;2019年02期

7 包名;李清蓉;熊欣;;自動(dòng)傾斜器扭力臂疲勞試驗(yàn)件破壞問(wèn)題探究與分析[J];直升機(jī)技術(shù);2017年04期

8 周進(jìn);徐傳勝;童明波;曾建江;;基于CATIA CAA的槳轂與自動(dòng)傾斜器參數(shù)化骨架模型與運(yùn)動(dòng)分析[J];機(jī)械設(shè)計(jì)與制造工程;2018年05期

9 張先輝;李新民;金小強(qiáng);陳煥;;基于局部Hilbert邊際譜的自動(dòng)傾斜器軸承故障診斷[J];新技術(shù)新工藝;2017年06期

10 楊育林;樊少帥;杜雄;郭希娟;;自動(dòng)傾斜器不旋轉(zhuǎn)環(huán)操縱機(jī)構(gòu)等效并聯(lián)機(jī)構(gòu)尺寸優(yōu)化分析[J];機(jī)械工程學(xué)報(bào);2010年07期

相關(guān)會(huì)議論文 前1條

1 朱長(zhǎng)春;;直11自動(dòng)傾斜器豎向振動(dòng)的識(shí)別與估計(jì)[A];中國(guó)工程物理研究院科技年報(bào)（1999）[C];1999年

相關(guān)碩士學(xué)位論文 前10條

1 萬(wàn)齊楊;基于DCAE-CNN的直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法研究[D];南昌航空大學(xué);2019年

2 姚瑞琦;基于信息熵的直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法研究[D];南昌航空大學(xué);2017年

3 張華杰;直升機(jī)自動(dòng)傾斜器軸承振動(dòng)采集系統(tǒng)[D];南昌航空大學(xué);2015年

4 劉炳集;基于時(shí)頻圖和CNN的直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法研究[D];南昌航空大學(xué);2018年

5 趙元;基于加速退化試驗(yàn)的關(guān)節(jié)軸承壽命預(yù)測(cè)方法[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

6 劉翔;一種新型球鉸軸承試驗(yàn)機(jī)的力學(xué)分析[D];燕山大學(xué);2015年

7 李龍;直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法研究[D];南昌航空大學(xué);2014年

8 饒延安;串聯(lián)式混聯(lián)機(jī)構(gòu)的力學(xué)分析及動(dòng)力學(xué)仿真[D];燕山大學(xué);2015年

9 馬艷艷;直升機(jī)自動(dòng)傾斜器球鉸軸承測(cè)試機(jī)構(gòu)的研究[D];燕山大學(xué);2014年

10 王學(xué)雷;直升機(jī)自動(dòng)傾斜器力學(xué)分析及動(dòng)力學(xué)仿真[D];燕山大學(xué);2013年

本文編號(hào)：2769125