截止到2016年,我國規(guī)劃的“四縱四橫”的高速鐵路網已經初具規(guī)模,運營列車密度高居世界第一。人們對高速鐵路安全運行的需求也因此逐步提高,軸承是機車運轉過程中非常重要的部件,對機車軸承及時進行故障監(jiān)測、損耗趨勢預測有著極為重要的經濟和現實意義。然而,滾動軸承的振動信號多由不同的振動信息疊加而成,在實際診斷過程中經常出現信號被噪聲淹沒、難以獲取有用信息導致漏檢或維修延期等情況。而定期定檢的排故方式會導致探傷成本較高,因此找到一種可靠的自適應檢測方式是目前相關研究的主要目標。神經網絡分類方法由于其特有的大規(guī)模并行結構、分布式存儲等特點,與軸承診斷的契合度較高,而且經過逐年改進,神經網絡的性能不斷提升。極限學習機(Kernel-Extreme Learning Machine,K-ELM)就是近年來提出的一種較為優(yōu)秀的分類手段,具有強大的自適應性與模式識別能力,非常適合處理此類非線性分類問題。通過多尺度排列熵(Multi-scale Permutation Entropy,MPE)、時頻分析等特征提取方式以及主成分分析(principal Component Analysis,PCA)、距離分...

【文章頁數】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
縮寫列表
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現狀
    1.3 論文主要工作
第2章 滾動軸承振動信號特征提取及壓縮方案
    2.1 滾動軸承特性
    2.2 滾動軸承信號特征提取
        2.2.1 時域特征提取
        2.2.2 時頻分析特征提取
        2.2.3 熵的引進以及多尺度排列熵原理
    2.3 特征壓縮與降維方法
        2.3.1 基于距離評估技術的特征壓縮方法
        2.3.2 基于主成分分析算法的特征降維技術
    2.4 本章小結
第3章 ELM算法及其優(yōu)化
    3.1 人工神經網絡
        3.1.1 神經元靈感來源
        3.1.2 神經網絡的優(yōu)缺點
    3.2 ELM算法原理及其優(yōu)缺點
        3.2.1 ELM算法流程以及參數選定
        3.2.2 ELM算法的優(yōu)缺點
    3.3 ELM的優(yōu)化算法
        3.3.1 I-ELM算法
        3.3.2 P-ELM算法
        3.3.3 其他ELM算法優(yōu)化方案
    3.4 本章小結
第4章 核函數的引入及其組合方案
    4.1 K-ELM算法
        4.1.1 K-ELM算法原理
        4.1.2 K-ELM算法的優(yōu)缺點
    4.2 核函數的選取
        4.2.1 核函數的可行性論證
        4.2.2 平移不變核函數
        4.2.3 旋轉不變核函數
        4.2.4 常用核函數可行性證明
    4.3 核函數的組合及可行性證明
        4.3.1 線性不加權組合
        4.3.2 線性加權組合
        4.3.3 非線性組合
    4.4 基于非線性加權的雙核極限學習機
        4.4.1 雙核極限學習機算法原理
        4.4.2 DK-ELM可行性證明
        4.4.3 DK-ELM算法可視化
    4.5 本章小結
第5章 DK-ELM性能測試及軸承缺陷診斷
    5.1 滾動軸承故障診斷實驗
        5.1.1 DK-ELM與其他分類模型分類效果對比
        5.1.2 基于特征壓縮的軸承診斷實驗
    5.2 機車軸承缺陷診斷
    5.3 本章小結
致謝
總結與展望
    總結
    展望
參考文獻
碩士學位攻讀期間文章發(fā)表情況



本文編號：3928957