旋轉(zhuǎn)設(shè)備作為石油石化行業(yè)關(guān)鍵設(shè)備,運(yùn)行環(huán)境復(fù)雜,易發(fā)生各種故障,嚴(yán)重時(shí)會(huì)造成停機(jī)甚至事故。轉(zhuǎn)子系統(tǒng)是旋轉(zhuǎn)設(shè)備的核心部分,結(jié)構(gòu)復(fù)雜,部件眾多,時(shí)常發(fā)生耦合故障,振動(dòng)分量多且復(fù)雜,基于振動(dòng)的監(jiān)測(cè)難以覆蓋整個(gè)設(shè)備和所有類型的故障。而紅外監(jiān)測(cè)可以同時(shí)測(cè)量多個(gè)部件的溫度信息,適用于耦合故障診斷。因此,本文引入基于紅外圖像的故障診斷方法,針對(duì)紅外圖像敏感區(qū)域提取、特征學(xué)習(xí)以及紅外和振動(dòng)信息融合的故障診斷方法進(jìn)行了研究:（1）研究基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional20Neural20Network,CNN）的紅外圖像和振動(dòng)信號(hào)的特征學(xué)習(xí),通過構(gòu)建適用于轉(zhuǎn)子平臺(tái)紅外和振動(dòng)信息特征學(xué)習(xí)的CNN模型,實(shí)現(xiàn)了紅外和振動(dòng)特征的自動(dòng)提取。與使用人工提取的特征進(jìn)行故障診斷相比,準(zhǔn)確率分別提高了12.5和3.33個(gè)百分點(diǎn)。并用核主元分析（Kernel20Principal20Component20Analysis,KPCA）方法對(duì)學(xué)習(xí)到的特征進(jìn)行降維可視化,直觀地證明了CNN提取的特征具有更好的聚類分布。（2）針對(duì)紅外圖像存在強(qiáng)度集中、對(duì)比度低、干擾背景多的特點(diǎn),提出基于紅外顯著性檢測(cè)和閾值優(yōu)化的故障敏感... 

【文章來源】：中國(guó)石油大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題來源與研究意義
        1.1.1 課題來源
        1.1.2 研究意義
    1.2 基于紅外圖像的故障診斷研究現(xiàn)狀及不足
        1.2.1 基于紅外圖像的故障診斷研究現(xiàn)狀
        1.2.2 基于紅外圖像的故障診斷的不足
    1.3 基于振動(dòng)的故障診斷研究現(xiàn)狀
    1.4 信息融合國(guó)內(nèi)外研究現(xiàn)狀與不足
        1.4.1 信息融合國(guó)內(nèi)外研究現(xiàn)狀
        1.4.2 信息融合技術(shù)的不足
    1.5 主要研究?jī)?nèi)容
    1.6 技術(shù)路線
第2章 基于CNN的紅外和振動(dòng)信號(hào)特征學(xué)習(xí)
    2.1 引言
    2.2 實(shí)驗(yàn)設(shè)計(jì)
    2.3 基于紅外圖像故障診斷的原理
        2.3.1 紅外熱成像原理
        2.3.2 紅外圖像特點(diǎn)
        2.3.3 基于直方圖的紅外圖像特征提取
        2.3.4 轉(zhuǎn)子平臺(tái)紅外圖像診斷原理
    2.4 基于卷積神經(jīng)網(wǎng)絡(luò)的紅外振動(dòng)信號(hào)特征學(xué)習(xí)
        2.4.1 CNN理論介紹
        2.4.2 紅外圖像特征學(xué)習(xí)
        2.4.3 振動(dòng)信號(hào)特征學(xué)習(xí)
    2.5 基于KPCA的特征降維和可視化
    2.6 本章小結(jié)
第3章 基于視覺顯著性檢測(cè)和閾值優(yōu)化的紅外圖像敏感區(qū)提取
    3.1 引言
    3.2 旋轉(zhuǎn)設(shè)備紅外圖像顯著性檢測(cè)
        3.2.1 基于直方圖的對(duì)比度
        3.2.2 區(qū)域?qū)Ρ榷?br>        3.2.3 二值化圖像分割
    3.3 基于分類結(jié)果的圖像分割閾值優(yōu)化
        3.3.1 初步分割閾值計(jì)算
        3.3.2 敏感區(qū)域提取和特征值計(jì)算
        3.3.3 閾值優(yōu)化過程
    3.4 基于隨機(jī)森林的故障分類
        3.4.1 CART決策樹
        3.4.2 隨機(jī)森林分類流程
    3.5 基于紅外圖像的轉(zhuǎn)子平臺(tái)故障診斷
    3.6 本章小結(jié)
第4章 轉(zhuǎn)子故障的多模態(tài)深度學(xué)習(xí)融合診斷方法
    4.1 引言
    4.2 多模態(tài)深度學(xué)習(xí)方法
    4.3 基于多模態(tài)CNN的信息融合故障診斷模型
        4.3.1 多模態(tài)CNN信息融合模型
        4.3.2 多模態(tài)CNN的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    4.4 基于多模態(tài)CNN的故障診斷實(shí)例
        4.4.1 基于D-S理論的轉(zhuǎn)子平臺(tái)信息融合故障診斷
        4.4.2 基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子平臺(tái)信息融合故障診斷
        4.4.3 基于多模態(tài)CNN的轉(zhuǎn)子平臺(tái)信息融合故障診斷
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]隨機(jī)森林在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 張鈺,陳珺,王曉峰,劉飛,周文晶,王志國(guó).  計(jì)算機(jī)工程與應(yīng)用. 2018(06)
[2]基于多級(jí)數(shù)據(jù)融合技術(shù)的液壓支架故障診斷技術(shù)[J]. 李新勝,宋建成,曲兵妮,田慕琴,許春雨,宋鑫,柴文.  煤炭科學(xué)技術(shù). 2016(12)
[3]基于多傳感器數(shù)據(jù)融合技術(shù)的電子設(shè)備故障診斷[J]. 吳蘇,吳文全,王薇.  計(jì)算技術(shù)與自動(dòng)化. 2016(01)
[4]基于FAsT-Match算法的電力設(shè)備紅外圖像分割[J]. 鄒輝,黃福珍.  紅外技術(shù). 2016(01)
[5]基于GA-BP的煤礦大型機(jī)電設(shè)備D-S數(shù)據(jù)融合故障診斷的研究[J]. 馬憲民,梁蘭,張永強(qiáng),施樂平.  煤炭技術(shù). 2016(01)
[6]基于多源數(shù)據(jù)融合的GEO目標(biāo)軌道改進(jìn)分析[J]. 薛晨,李智,湯赫然.  裝備學(xué)院學(xué)報(bào). 2015(01)
[7]基于兩方法博弈的馬爾可夫隨機(jī)場(chǎng)紅外圖像分割算法[J]. 王坤,張愷,王力,諸葛晶昌.  紅外技術(shù). 2015(02)
[8]船載電氣設(shè)備紅外故障診斷應(yīng)用技術(shù)研究[J]. 楊洋,孫朝斌,柏永斌,韓璐.  紅外技術(shù). 2015(02)
[9]多源信息融合故障診斷方法研究進(jìn)展[J]. 張成軍,陰妍,鮑久圣,紀(jì)洋洋.  河北科技大學(xué)學(xué)報(bào). 2014(03)
[10]紅外成像系統(tǒng)及其應(yīng)用[J]. 李相迪,黃英,張培晴,宋寶安,戴世勛,徐鐵峰,聶秋華.  激光與紅外. 2014(03)

博士論文
[1]多傳感器數(shù)據(jù)融合及其在電機(jī)故障診斷中的應(yīng)用研究[D]. 陳理淵.浙江大學(xué) 2005
[2]基于信息融合技術(shù)的故障診斷方法的研究及應(yīng)用[D]. 王志鵬.大連理工大學(xué) 2001

碩士論文
[1]BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)模糊推理系統(tǒng)在多傳感器糧情信息融合系統(tǒng)中的研究及應(yīng)用[D]. 張卓然.武漢工業(yè)學(xué)院 2012
[2]基于多源信息融合技術(shù)的船舶電力推進(jìn)系統(tǒng)故障診斷研究[D]. 華云鵬.大連海事大學(xué) 2012
[3]基于多源信息融合的發(fā)動(dòng)機(jī)故障診斷研究[D]. 嚴(yán)莉.中北大學(xué) 2010



本文編號(hào)：3175659