本文關鍵詞：基于深度神經(jīng)網(wǎng)絡的滾動軸承故障診斷　出處：《組合機床與自動化加工技術(shù)》2017年11期 　論文類型：期刊論文

  更多相關文章： 深度學習 深度神經(jīng)網(wǎng)絡 滾動軸承 智能故障診斷

【摘要】：針對淺層神經(jīng)網(wǎng)絡方法依靠專家經(jīng)驗和信號處理技術(shù)進行人工提取大量滾動軸承數(shù)據(jù)的特征變得越來越困難,而且神經(jīng)網(wǎng)絡淺層結(jié)構(gòu)限制了神經(jīng)網(wǎng)絡學習復雜非線性關系的功能。結(jié)合深度學習在特征提取和處理大數(shù)據(jù)等優(yōu)勢,研究一種基于深度神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法。該方法直接從原始數(shù)據(jù)中提取出有用特征,所提取的特征作為BP神經(jīng)網(wǎng)絡(BPNN)的輸入識別滾動軸承的故障類別。通過對滾動軸承正常狀態(tài),內(nèi)圈故障,外圈故障和滾珠故障四種狀態(tài)以及各個狀態(tài)的不同故障嚴重程度的分析,實驗結(jié)果表明所研究的的方法不僅僅能夠從原始信號中挖掘出有用的故障特征,還可以診斷出故障的嚴重程度,和BPNN相比具有更高的診斷準確率。
[Abstract]:It is becoming more and more difficult to extract a large number of rolling bearing data manually based on expert experience and signal processing technology in shallow neural network. Moreover, the shallow structure of neural network limits the function of neural network in learning complex nonlinear relations, which combines the advantages of deep learning in feature extraction and processing big data. A fault diagnosis method for rolling bearing based on depth neural network is studied, in which useful features are extracted directly from the original data. The extracted feature is used as the input of BP neural network (BPNN) to identify the fault category of rolling bearing. The four states of outer ring fault and ball fault and the different fault severity of each state are analyzed. The experimental results show that the proposed method can not only extract useful fault features from the original signal. The degree of fault severity can also be diagnosed, and the accuracy of diagnosis is higher than that of BPNN.
【作者單位】： 中北大學計算機與控制工程學院;中北大學機械與動力工程學院;
【分類號】：TH133.33;TP183
【正文快照】： 0引言滾動軸承在旋轉(zhuǎn)機械中應用極為廣泛,是傳遞力矩及動力的重要零部件,但因其工作環(huán)境惡劣,也是最容易損壞的零部件之一[1]。因此,對軸承進行狀態(tài)監(jiān)測與故障診斷具有重要實踐意義。為了全面的檢測滾動軸承的健康狀況,用狀態(tài)監(jiān)測系統(tǒng)采集實時數(shù)據(jù),在機器長時間的運轉(zhuǎn)中獲取大

【相似文獻】

相關期刊論文 前10條

1 賈爽;賀利樂;;基于粒子群優(yōu)化SOM神經(jīng)網(wǎng)絡的軸系多振動故障診斷[J];機械傳動;2011年06期

2 唐貴基;楊玉婧;宋彩萌;;基于神經(jīng)網(wǎng)絡的旋轉(zhuǎn)機械振動故障診斷[J];機械工程師;2012年01期

3 欒美潔;許飛云;賈民平;;旋轉(zhuǎn)機械故障診斷的神經(jīng)網(wǎng)絡方法研究[J];噪聲與振動控制;2008年01期

4 高強;錢林方;侯遠龍;王力;;泵控缸電液位置伺服系統(tǒng)的神經(jīng)網(wǎng)絡模型參考自適應控制[J];機床與液壓;2008年06期

5 徐小力;左云波;吳國新;;量子神經(jīng)網(wǎng)絡在旋轉(zhuǎn)機組狀態(tài)趨勢預測中的應用[J];機械強度;2010年04期

6 何文;同淑榮;王克勤;;基于神經(jīng)網(wǎng)絡的質(zhì)量控制圖異常診斷[J];機械制造;2013年05期

7 許寧,黃之初;神經(jīng)網(wǎng)絡在旋轉(zhuǎn)機械故障診斷中的應用研究[J];礦山機械;2005年08期

8 宋文杰;劉伯峰;王平;姜冰;;基于小波—神經(jīng)網(wǎng)絡的故障劣化趨勢檢測[J];職大學報(自然科學版);2006年02期

9 王志濤;肖明清;謝化勇;禚真福;薛輝輝;;基于神經(jīng)網(wǎng)絡的故障診斷效能模糊綜合評價研究[J];計算機測量與控制;2011年12期

10 戴中浩;林瓊;王秋成;;基于神經(jīng)網(wǎng)絡的再制造自動變速箱檢測及試驗研究[J];機械制造;2012年01期

相關會議論文 前9條

1 杜福銀;封其勃;;一種基于Hopfield神經(jīng)網(wǎng)絡作業(yè)車間調(diào)度問題的優(yōu)化方法[A];2009年中國智能自動化會議論文集（第一分冊）[C];2009年

2 宋國明;王厚軍;姜書艷;劉紅;;基于神經(jīng)網(wǎng)絡的融合智能診斷方法在模擬電路故障診斷中的應用[A];2007'中國儀器儀表與測控技術(shù)交流大會論文集（二）[C];2007年

3 宋軼民;余躍慶;張策;馬文貴;;基于神經(jīng)網(wǎng)絡的機敏機構(gòu)振動自校正控制[A];第十二屆全國機構(gòu)學學術(shù)研討會論文集[C];2000年

4 吳洪民;;氣動伺服定位系統(tǒng)的神經(jīng)網(wǎng)絡模糊自適應PID控制[A];第一屆全國流體動力及控制工程學術(shù)會議論文集（第二卷）[C];2000年

5 黎啟柏;桂佩佩;韓君;;二次調(diào)節(jié)控制系統(tǒng)的模糊-神經(jīng)網(wǎng)絡自學習自適應控制[A];液壓與氣動學術(shù)研討會論文集[C];2004年

6 黎啟柏;桂佩佩;韓君;;二次調(diào)節(jié)控制系統(tǒng)的模糊-神經(jīng)網(wǎng)絡自學習自適應控制[A];第三屆全國流體傳動及控制工程學術(shù)會議論文集（第三卷）[C];2004年

7 曹春紅;張斌;王利民;李文輝;;基于免疫神經(jīng)網(wǎng)絡的幾何約束求解技術(shù)的研究[A];第二十七屆中國控制會議論文集[C];2008年

8 謝進;閻開印;陳永;;神經(jīng)網(wǎng)絡技術(shù)在平面機構(gòu)綜合中的應用[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（下冊）[C];2002年

9 徐志方;賀小明;張傳維;沈路;;集成神經(jīng)網(wǎng)絡信息融合技術(shù)在給水泵故障診斷中的應用[A];設備監(jiān)測與診斷技術(shù)及其應用——第十二屆全國設備監(jiān)測與診斷學術(shù)會議論文集[C];2005年

相關博士學位論文 前2條

1 李永波;滾動軸承故障特征提取與早期診斷方法研究[D];哈爾濱工業(yè)大學;2017年

2 王曉龍;基于振動信號處理的滾動軸承故障診斷方法研究[D];華北電力大學(北京);2017年

相關碩士學位論文 前10條

1 王栗;面向電機軸承的快速故障診斷方法研究[D];沈陽理工大學;2015年

2 于會超;機械觸覺機構(gòu)及控制的研究與應用[D];華北理工大學;2015年

3 李捷;基于神經(jīng)網(wǎng)絡的軸承故障診斷技術(shù)研究[D];電子科技大學;2015年

4 宋銀芳;橋式起重機故障分析與故障率預測方法研究[D];安徽理工大學;2016年

5 高芮;基于神經(jīng)網(wǎng)絡的機械故障診斷技術(shù)的研究[D];青島科技大學;2016年

6 程翔;基于神經(jīng)網(wǎng)絡的輪帶系統(tǒng)橫向振動的變結(jié)構(gòu)控制[D];福州大學;2014年

7 龐艷艷;基于選擇性神經(jīng)網(wǎng)絡的故障診斷研究[D];華中科技大學;2014年

8 徐銘志;基于神經(jīng)網(wǎng)絡PID的金屬帶式無級變速器速比控制研究[D];燕山大學;2016年

9 齊放;基于極限學習機的設備故障預測方法及應用研究[D];北京化工大學;2016年

10 尤海鑫;BP神經(jīng)網(wǎng)絡與模糊邏輯在智能故障診斷中的應用[D];大連交通大學;2014年

，

本文編號：1439560