發(fā)布時(shí)間：2021-11-28 05:40

　　柱塞泵作為液壓系統(tǒng)的動(dòng)力元件,其健康狀態(tài)會(huì)對(duì)液壓系統(tǒng)的工作狀態(tài)產(chǎn)生直接影響。因此,對(duì)于柱塞泵進(jìn)行健康狀態(tài)評(píng)估,實(shí)時(shí)地對(duì)其工作狀態(tài)進(jìn)行監(jiān)測(cè)是非常有必要的。傳統(tǒng)的機(jī)器學(xué)習(xí)方法在柱塞泵故障診斷和健康狀態(tài)評(píng)估中已經(jīng)取得了不錯(cuò)的效果。然而,當(dāng)數(shù)據(jù)量不足時(shí),傳統(tǒng)的機(jī)器學(xué)習(xí)方法不再有效。針對(duì)數(shù)據(jù)量不足時(shí)如何對(duì)柱塞泵健康狀態(tài)建立預(yù)測(cè)模型的問(wèn)題,提出了兩種不同的解決方法。提出了一種基于深度遷移學(xué)習(xí)的柱塞泵健康評(píng)估方法。首先將原始時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào),然后利用基于TrAdaboost算法的深度遷移學(xué)習(xí)算法來(lái)提高健康評(píng)估的準(zhǔn)確率。TrAdaboost算法用若干個(gè)弱分類(lèi)器來(lái)組成一個(gè)強(qiáng)分類(lèi)器,用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,CNN）用來(lái)訓(xùn)練每一個(gè)弱分類(lèi)器。通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的準(zhǔn)確率,并取得了一個(gè)很好的結(jié)果。提出了一種基于對(duì)抗式生成網(wǎng)絡(luò)的遷移學(xué)習(xí)健康評(píng)估方法。該模型用對(duì)抗式生成網(wǎng)絡(luò)模擬每一類(lèi)真實(shí)數(shù)據(jù),生成大量帶有標(biāo)簽的模擬數(shù)據(jù)。然后用卷積神經(jīng)網(wǎng)絡(luò)在大量模擬數(shù)據(jù)上訓(xùn)練一個(gè)深度學(xué)習(xí)預(yù)測(cè)模型。最后用遷移學(xué)習(xí)的思想,在真實(shí)數(shù)據(jù)上對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào),來(lái)建立真實(shí)數(shù)據(jù)的深度學(xué)習(xí)... 

【文章來(lái)源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

柱塞泵Fig.2-1Plungerpump

第二章柱塞泵的工作特性及健康狀態(tài)10性能衰退是指隨著設(shè)備使用時(shí)間的增加，設(shè)備性能發(fā)生了變化，最后導(dǎo)致設(shè)備功能失效的物理或化學(xué)過(guò)程，如機(jī)械部件發(fā)生磨損、材料發(fā)生老化、元器件電學(xué)性能發(fā)生衰退、金屬部件被腐蝕、部件發(fā)生疲勞裂紋等，這些因素都加速著機(jī)械設(shè)備的劣化。柱塞泵在使用一段時(shí)間后，可能會(huì)出現(xiàn)輸出流量不足、輸出壓力異常、振動(dòng)和噪聲等現(xiàn)象，其根本就是柱塞泵性能衰退。通常柱塞泵性能衰退的現(xiàn)象及原因如表2-1所示。表2-1柱塞泵性能衰退的現(xiàn)象及原因Tab.2-1Thephenomenonandreasonoftheperformancedeclineoftheplungerpump現(xiàn)象原因輸出流量不足吸入量不夠、泄漏量過(guò)大輸出壓力低柱塞泵存在泄漏振動(dòng)和噪聲旋轉(zhuǎn)軸承損傷、墊圈破損柱塞泵過(guò)熱摩擦、泄露2.3實(shí)驗(yàn)案例本研究實(shí)驗(yàn)部分測(cè)試了不同健康狀態(tài)下的柱塞泵出口壓力、振動(dòng)等信號(hào)。實(shí)驗(yàn)室中采用的是川崎斜盤(pán)式軸向柱塞泵K3V112DTH100R2N01。實(shí)驗(yàn)裝置圖如圖2-3。圖2-3實(shí)驗(yàn)室系統(tǒng)Fig.2-3Laboratoryhydraulicsystem2.2柱塞泵的性能衰退及原因

上海交通大學(xué)碩士學(xué)位論文11其簡(jiǎn)化的液壓原理圖如圖2-4。圖2-4液壓系統(tǒng)原理圖1、電機(jī)2、待測(cè)泵3、振動(dòng)傳感器4、溢流閥5、油箱6、壓力傳感器Fig.2-4SchematicdiagramofhydraulicsystemWhere，1.motor2.pump3.vibrationsensor4.reliefvalve5.Tank6.pressuresensor實(shí)驗(yàn)室主要器材如下表2-2:表2-2實(shí)驗(yàn)室主要元件Table2-2Maincomponentsoflaboratory序號(hào)元件名代號(hào)1234測(cè)試泵振動(dòng)傳感器變頻電機(jī)數(shù)據(jù)采集卡K3vJX61GQABP80M4APCI-E8025實(shí)驗(yàn)中共有三種不同健康狀態(tài)的泵，分別從全新的1號(hào)泵到使用約2000小時(shí)的2號(hào)泵再到已經(jīng)使用3500小時(shí)即將報(bào)廢的3號(hào)泵，分別在1500rpm、1800rpm、2200rpm轉(zhuǎn)速條件下運(yùn)行大約800秒，用不同傳感器記錄運(yùn)行過(guò)程中的各種信號(hào)，包括振動(dòng)、出口壓力、溫度等信號(hào)。

【參考文獻(xiàn)】：
期刊論文
[1]采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法[J]. 王麗華,謝陽(yáng)陽(yáng),張永宏,趙曉平,周子賢.  西安交通大學(xué)學(xué)報(bào). 2017(10)
[2]基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識(shí)別的齒輪智能故障診斷[J]. 時(shí)培明,梁凱,趙娜,安淑君.  中國(guó)機(jī)械工程. 2017(09)
[3]基于棧式降噪自編碼的故障診斷[J]. 朱煜奇,黃雙喜,楊天祺,孫潔香.  制造業(yè)自動(dòng)化. 2017(03)
[4]改進(jìn)LSSVM遷移學(xué)習(xí)方法的軸承故障診斷[J]. 陳超,沈飛,嚴(yán)如強(qiáng).  儀器儀表學(xué)報(bào). 2017(01)
[5]基于多路稀疏自編碼的軸承狀態(tài)動(dòng)態(tài)監(jiān)測(cè)[J]. 張紹輝.  振動(dòng)與沖擊. 2016(19)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線(xiàn)路區(qū)內(nèi)外故障判斷及故障選相方法研究[J]. 魏東,龔慶武,來(lái)文青,王波,劉棟,喬卉,林剛.  中國(guó)電機(jī)工程學(xué)報(bào). 2016(S1)
[7]基于DBN的故障特征提取及診斷方法研究[J]. 趙光權(quán),葛強(qiáng)強(qiáng),劉小勇,彭喜元.  儀器儀表學(xué)報(bào). 2016(09)
[8]基于PSO優(yōu)化的RBF網(wǎng)絡(luò)液壓泵故障診斷研究[J]. 沈美杰,趙龍章,周兵,周崇明.  液壓與氣動(dòng). 2016(05)
[9]基于稀疏自動(dòng)編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)故障診斷[J]. 孫文珺,邵思羽,嚴(yán)如強(qiáng).  機(jī)械工程學(xué)報(bào). 2016(09)
[10]基于深度學(xué)習(xí)的發(fā)電機(jī)故障挖掘方法研究[J]. 謝川.  電網(wǎng)與清潔能源. 2016(02)

博士論文
[1]軸向柱塞泵的虛擬樣機(jī)及油膜壓力特性研究[D]. 張斌.浙江大學(xué) 2009

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的變速器故障分類(lèi)識(shí)別研究[D]. 曾雪瓊.華南理工大學(xué) 2016
[2]云平臺(tái)下基于深度學(xué)習(xí)的高速列車(chē)走行部故障診斷技術(shù)研究[D]. 謝吉朋.西南交通大學(xué) 2015
[3]柱塞泵泄漏故障智能診斷系統(tǒng)研究[D]. 于文征.南京理工大學(xué) 2002



本文編號(hào)：3523817