智能制造過程中機械設備的預測維護可以實現(xiàn)從定期維修到視情維修的過渡,實時精確的早期故障診斷和精確的剩余壽命預測是預測維護領域中的兩個研究熱點。作為一種有效的數(shù)據(jù)特征提取工具,深度學習在數(shù)據(jù)驅動的故障診斷和剩余壽命預測中受到廣泛關注,但其有效性取決于可用樣本的數(shù)量和質量。早期緩變故障診斷時的數(shù)據(jù)不均衡問題會使早期故障診斷的結果不可靠,進而導致非精確的剩余壽命預測。另一方面,海量全壽命周期數(shù)據(jù)是制約基于深度學習的剩余壽命預測模型精確性的關鍵因素。在無法獲得設備精確機理模型的情況下,本文結合數(shù)據(jù)生成模型研究DNN、LSTM等深度學習方法用于機電設備故障預測維護時因數(shù)據(jù)不均衡、全壽命周期數(shù)據(jù)缺乏而導致的難題。論文的主要創(chuàng)新點如下:（1）提出一種基于全局優(yōu)化GAN的非均衡數(shù)據(jù)深度學習故障診斷方法,以克服傳統(tǒng)GAN用于不均衡數(shù)據(jù)故障診斷時先訓練GAN、再訓練DNN診斷模型的兩階段方法固有的不足。該方法首先設計了新的數(shù)據(jù)生成模型,將原始數(shù)據(jù)的特征用于生成器的訓練過程中,充分利用有限不均衡故障樣本中的有用信息。同時將故障診斷模型作為GAN的一個判別器,并將故障診斷的誤差用于指導生成器的訓練。然后,設計... 

【文章來源】：河南大學河南省

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【部分圖文】：

軸承數(shù)據(jù)采集實驗平臺[79]

【參考文獻】：
期刊論文
[1]基于貝葉斯統(tǒng)計推斷的時間序列預測模型的優(yōu)化[J]. 王安.  太原學院學報(自然科學版). 2019(04)
[2]基于EMD與卷積神經(jīng)網(wǎng)絡的滾動軸承故障診斷[J]. 王海龍,夏筱筠,孫維堂.  組合機床與自動化加工技術. 2019(10)
[3]基于機器學習的設備剩余壽命預測方法綜述[J]. 裴洪,胡昌華,司小勝,張建勛,龐哲楠,張鵬.  機械工程學報. 2019(08)
[4]基于機器學習算法的壽命預測與故障診斷技術的發(fā)展綜述[J]. 郭一帆,唐家銀.  計算機測量與控制. 2019(03)
[5]不均衡數(shù)據(jù)集下基于生成對抗網(wǎng)絡的改進深度模型故障識別研究[J]. 包萍,劉運節(jié).  電子測量與儀器學報. 2019(03)
[6]CNN和D-S證據(jù)理論相結合的齒輪箱復合故障診斷研究[J]. 張立智,井陸陽,徐衛(wèi)曉,譚繼文.  機械科學與技術. 2019(10)
[7]基于數(shù)據(jù)驅動的變換器故障診斷綜述[J]. 黃麗梅,張旗.  電氣技術. 2019(02)
[8]基于深度置信網(wǎng)絡和信息融合技術的軸承故障診斷[J]. 蔣黎明,李友榮,徐增丙,魯光濤.  武漢科技大學學報. 2019(01)
[9]基于深度學習的機械設備健康管理綜述與展望[J]. 周奇才,沈鶴鴻,趙炯,熊肖磊.  現(xiàn)代機械. 2018(04)
[10]基于數(shù)據(jù)驅動的運載火箭貯箱故障診斷方法研究[J]. 黃霞,遲宏波,孫超,孫瑩,余海東,李志敏,杜巖峰,田志杰.  航天制造技術. 2018(04)



本文編號：3590336