截止到2016年,我國(guó)規(guī)劃的“四縱四橫”的高速鐵路網(wǎng)已經(jīng)初具規(guī)模,運(yùn)營(yíng)列車(chē)密度高居世界第一。人們對(duì)高速鐵路安全運(yùn)行的需求也因此逐步提高,軸承是機(jī)車(chē)運(yùn)轉(zhuǎn)過(guò)程中非常重要的部件,對(duì)機(jī)車(chē)軸承及時(shí)進(jìn)行故障監(jiān)測(cè)、損耗趨勢(shì)預(yù)測(cè)有著極為重要的經(jīng)濟(jì)和現(xiàn)實(shí)意義。然而,滾動(dòng)軸承的振動(dòng)信號(hào)多由不同的振動(dòng)信息疊加而成,在實(shí)際診斷過(guò)程中經(jīng)常出現(xiàn)信號(hào)被噪聲淹沒(méi)、難以獲取有用信息導(dǎo)致漏檢或維修延期等情況。而定期定檢的排故方式會(huì)導(dǎo)致探傷成本較高,因此找到一種可靠的自適應(yīng)檢測(cè)方式是目前相關(guān)研究的主要目標(biāo)。神經(jīng)網(wǎng)絡(luò)分類(lèi)方法由于其特有的大規(guī)模并行結(jié)構(gòu)、分布式存儲(chǔ)等特點(diǎn),與軸承診斷的契合度較高,而且經(jīng)過(guò)逐年改進(jìn),神經(jīng)網(wǎng)絡(luò)的性能不斷提升。極限學(xué)習(xí)機(jī)(Kernel-Extreme Learning Machine,K-ELM)就是近年來(lái)提出的一種較為優(yōu)秀的分類(lèi)手段,具有強(qiáng)大的自適應(yīng)性與模式識(shí)別能力,非常適合處理此類(lèi)非線(xiàn)性分類(lèi)問(wèn)題。通過(guò)多尺度排列熵(Multi-scale Permutation Entropy,MPE)、時(shí)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(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
縮寫(xiě)列表
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 論文主要工作
第2章 滾動(dòng)軸承振動(dòng)信號(hào)特征提取及壓縮方案
    2.1 滾動(dòng)軸承特性
    2.2 滾動(dòng)軸承信號(hào)特征提取
        2.2.1 時(shí)域特征提取
        2.2.2 時(shí)頻分析特征提取
        2.2.3 熵的引進(jìn)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(píng)估技術(shù)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(shù)
    2.4 本章小結(jié)
第3章 ELM算法及其優(yōu)化
    3.1 人工神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)元靈感來(lái)源
        3.1.2 神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)
    3.2 ELM算法原理及其優(yōu)缺點(diǎn)
        3.2.1 ELM算法流程以及參數(shù)選定
        3.2.2 ELM算法的優(yōu)缺點(diǎn)
    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(jié)
第4章 核函數(shù)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(diǎn)
    4.2 核函數(shù)的選取
        4.2.1 核函數(shù)的可行性論證
        4.2.2 平移不變核函數(shù)
        4.2.3 旋轉(zhuǎn)不變核函數(shù)
        4.2.4 常用核函數(shù)可行性證明
    4.3 核函數(shù)的組合及可行性證明
        4.3.1 線(xiàn)性不加權(quán)組合
        4.3.2 線(xiàn)性加權(quán)組合
        4.3.3 非線(xiàn)性組合
    4.4 基于非線(xiàn)性加權(quán)的雙核極限學(xué)習(xí)機(jī)
        4.4.1 雙核極限學(xué)習(xí)機(jī)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(jié)
第5章 DK-ELM性能測(cè)試及軸承缺陷診斷
    5.1 滾動(dòng)軸承故障診斷實(shí)驗(yàn)
        5.1.1 DK-ELM與其他分類(lèi)模型分類(lèi)效果對(duì)比
        5.1.2 基于特征壓縮的軸承診斷實(shí)驗(yàn)
    5.2 機(jī)車(chē)軸承缺陷診斷
    5.3 本章小結(jié)
致謝
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
碩士學(xué)位攻讀期間文章發(fā)表情況



本文編號(hào)：3928957