發(fā)布時間：2021-06-22 12:17

　　隨著互聯(lián)網(wǎng)+、人工智能+領(lǐng)域的研究深入,制造業(yè)也在積極向智能化生產(chǎn)、智能化維護轉(zhuǎn)型。針對傳統(tǒng)的維護策略存在著“維護不足”或者“維護過�！钡膯栴},故障預測與健康管理（PHM）成為當下研究的重點。作為各種工業(yè)設(shè)備的基礎(chǔ)部件,滾動軸承一旦故障會直接影響設(shè)備運行,所以軸承的PHM研究具有重要的意義。深度學習作為近年來不斷發(fā)展的機器學習方法,在圖像識別、時間序列預測上都有不錯的表現(xiàn)和優(yōu)秀的模型。本文針對當前滾動軸承PHM研究中復雜工況下故障識別困難、預測不準確等痛點,結(jié)合能量譜分析與深度學習方法,提取故障指標進行相關(guān)模型的建立,深入研究了深度學習方法在軸承PHM中的應用,主要工作如下:1.針對變負載情況下軸承故障診斷不準確的問題,研究了基于Teager能量譜與卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。一方面將Teager能量譜圖引入到軸承的故障診斷中,能夠有效的區(qū)分變負載情況下的軸承狀態(tài);另一方面結(jié)合卷積神經(jīng)網(wǎng)絡(luò)建立診斷模型,直接對Teager能量譜進行特征提取和分析,解決了人工特征提取不完善的問題又能夠更好的對能量譜特征進行分析,實現(xiàn)深層次的特征提取。通過美國西儲大學軸承故障數(shù)據(jù)集進行實驗分析和驗證,對網(wǎng)絡(luò)... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

故障診斷模型的構(gòu)建

青島大學碩士學位論文30的過擬合，訓練集準確度達到100%，但預測集準確度卻不足50%，即模型泛化能力低。為了解決圖像過擬合問題，嘗試對原網(wǎng)絡(luò)結(jié)構(gòu)加以調(diào)整。針對圖像過擬合以及數(shù)據(jù)集個數(shù)較少的問題，Dropout是考慮的第一個解決方法。Dropout是Hinton于2012年提出的方法[86]，主要是針對模型參數(shù)多，但是樣本過少產(chǎn)生的過擬合現(xiàn)象。其主要原理是通過減少特征選擇器的重復作用來提高網(wǎng)絡(luò)性能。文獻[87,89]中都通過在全連接層使用Dropout方法來減少過擬合現(xiàn)象。所以嘗試在卷積層和全連接層加入Dropout層，經(jīng)過多次實驗，最后一層pooling層后以及全連接層中加入Dropout層，得到了較好的訓練效果(迭代50次，訓練準確率為93%，測試準確率為90%)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。圖3.6增加了Dropout層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在pooling層后及全連接層中加入了Dropout層的方法使得網(wǎng)絡(luò)的準確率得到了提升，但是其訓練過程較慢且不穩(wěn)定（前27次迭代訓練準確率浮動較大，訓練準確率38%左右）。遂考慮對數(shù)據(jù)進行歸一化來解決不同范圍數(shù)據(jù)的影響，加強穩(wěn)定性，同時提高訓練速度。BN層即BatchNormalization，由Sergey等人于2015年提出[87]，其優(yōu)點在于減少了調(diào)參的難度，可以使用較大學習率使得訓練速度加快，同時使得訓練數(shù)據(jù)和測試數(shù)據(jù)分布一致。所以本文將其加入到卷積神經(jīng)網(wǎng)絡(luò)中以提高模型的泛化能力，模型測試十次中，最高測試準確率達到100%。圖3.7增加了Dropout層與BN層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過對模型結(jié)構(gòu)的改進和參數(shù)調(diào)整，得到適合用于當前數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖3.7所示，本文最終改進的網(wǎng)絡(luò)結(jié)構(gòu)包括：兩個加入了BN層(Batch

青島大學碩士學位論文30的過擬合，訓練集準確度達到100%，但預測集準確度卻不足50%，即模型泛化能力低。為了解決圖像過擬合問題，嘗試對原網(wǎng)絡(luò)結(jié)構(gòu)加以調(diào)整。針對圖像過擬合以及數(shù)據(jù)集個數(shù)較少的問題，Dropout是考慮的第一個解決方法。Dropout是Hinton于2012年提出的方法[86]，主要是針對模型參數(shù)多，但是樣本過少產(chǎn)生的過擬合現(xiàn)象。其主要原理是通過減少特征選擇器的重復作用來提高網(wǎng)絡(luò)性能。文獻[87,89]中都通過在全連接層使用Dropout方法來減少過擬合現(xiàn)象。所以嘗試在卷積層和全連接層加入Dropout層，經(jīng)過多次實驗，最后一層pooling層后以及全連接層中加入Dropout層，得到了較好的訓練效果(迭代50次，訓練準確率為93%，測試準確率為90%)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。圖3.6增加了Dropout層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在pooling層后及全連接層中加入了Dropout層的方法使得網(wǎng)絡(luò)的準確率得到了提升，但是其訓練過程較慢且不穩(wěn)定（前27次迭代訓練準確率浮動較大，訓練準確率38%左右）。遂考慮對數(shù)據(jù)進行歸一化來解決不同范圍數(shù)據(jù)的影響，加強穩(wěn)定性，同時提高訓練速度。BN層即BatchNormalization，由Sergey等人于2015年提出[87]，其優(yōu)點在于減少了調(diào)參的難度，可以使用較大學習率使得訓練速度加快，同時使得訓練數(shù)據(jù)和測試數(shù)據(jù)分布一致。所以本文將其加入到卷積神經(jīng)網(wǎng)絡(luò)中以提高模型的泛化能力，模型測試十次中，最高測試準確率達到100%。圖3.7增加了Dropout層與BN層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過對模型結(jié)構(gòu)的改進和參數(shù)調(diào)整，得到適合用于當前數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖3.7所示，本文最終改進的網(wǎng)絡(luò)結(jié)構(gòu)包括：兩個加入了BN層(Batch

【參考文獻】：
期刊論文
[1]船舶柴油機故障預測與健康管理技術(shù)綜述[J]. 柯赟,宋恩哲,姚崇,董全.  哈爾濱工程大學學報. 2020(01)
[2]基于改進關(guān)聯(lián)規(guī)則的卸船機故障預測模型[J]. 葉永偉,程毅飛,賴劍人,任設(shè)東.  中國機械工程. 2019(20)
[3]深度學習在旋轉(zhuǎn)機械設(shè)備故障診斷中的應用研究綜述[J]. 吳春志,馮輔周,吳守軍,陳湯,王杰.  噪聲與振動控制. 2019(05)
[4]基于CNN-SVM的深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障識別研究[J]. 胡曉依,荊云建,宋志坤,侯銀慶.  振動與沖擊. 2019(18)
[5]XJTU-SY滾動軸承加速壽命試驗數(shù)據(jù)集解讀[J]. 雷亞國,韓天宇,王彪,李乃鵬,閆濤,楊軍.  機械工程學報. 2019(16)
[6]基于連續(xù)型HMM和PSO-SVM的滾動軸承剩余壽命預測[J]. 劉波,寧芊,劉才學,艾瓊,何攀.  計算機應用. 2019(S1)
[7]數(shù)字孿生驅(qū)動的工業(yè)園區(qū)“產(chǎn)—運—存”聯(lián)動決策架構(gòu)、模型與方法[J]. 周達堅,屈挺,張凱,郭洪飛,閆勉,李從東,黃國全.  計算機集成制造系統(tǒng). 2019(06)
[8]智能制造與全球價值鏈升級——海爾COSMOPlat案例研究[J]. 呂文晶,陳勁,劉進.  科研管理. 2019(04)
[9]基于螢火蟲優(yōu)化的核自動編碼器在中介軸承故障診斷中的應用[J]. 王奉濤,劉曉飛,敦泊森,鄧剛,韓清凱,李宏坤.  機械工程學報. 2019(07)
[10]基于耦合隱馬爾可夫的軸承故障診斷方法[J]. 夏裕彬,梁大開,鄭國,王景霖,曾捷.  振動.測試與診斷. 2018(06)

碩士論文
[1]基于深度學習的人臉識別技術(shù)研究與應用[D]. 穆童杰.西安郵電大學 2019
[2]面向過程的實時狀態(tài)監(jiān)測與故障診斷方法研究[D]. 姜婕.北京交通大學 2019
[3]基于神經(jīng)網(wǎng)絡(luò)的車輛軌跡預測算法的研究與實現(xiàn)[D]. 朱自升.西安電子科技大學 2018
[4]基于深度學習的圖像語義分割研究[D]. 肖旭.南昌航空大學 2017
[5]基于動態(tài)狀態(tài)空間模型的滾動軸承壽命預測研究[D]. 彭琦.北京化工大學 2016
[6]基于HMM的軸承故障診斷方法[D]. 李全.昆明理工大學 2010



本文編號：3242819