智能制造過程中機械設(shè)備的預(yù)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(yù)測是預(yù)測維護領(lǐng)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(xué)習(xí)在數(shù)據(jù)驅(qū)動的故障診斷和剩余壽命預(yù)測中受到廣泛關(guān)注,但其有效性取決于可用樣本的數(shù)量和質(zhì)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(jié)果不可靠,進而導(dǎo)致非精確的剩余壽命預(yù)測。另一方面,海量全壽命周期數(shù)據(jù)是制約基于深度學(xué)習(xí)的剩余壽命預(yù)測模型精確性的關(guān)鍵因素。在無法獲得設(shè)備精確機理模型的情況下,本文結(jié)合數(shù)據(jù)生成模型研究DNN、LSTM等深度學(xué)習(xí)方法用于機電設(shè)備故障預(yù)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(dǎo)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(xué)習(xí)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(xùn)練GAN、再訓(xùn)練DNN診斷模型的兩階段方法固有的不足。該方法首先設(shè)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(xùn)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(dǎo)生成器的訓(xùn)練。然后,設(shè)計... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：86 頁

【學(xué)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(yù)測模型的優(yōu)化[J]. 王安.  太原學(xué)院學(xué)報(自然科學(xué)版). 2019(04)
[2]基于EMD與卷積神經(jīng)網(wǎng)絡(luò)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(shù). 2019(10)
[3]基于機器學(xué)習(xí)的設(shè)備剩余壽命預(yù)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(xué)報. 2019(08)
[4]基于機器學(xué)習(xí)算法的壽命預(yù)測與故障診斷技術(shù)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(luò)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(xué)報. 2019(03)
[6]CNN和D-S證據(jù)理論相結(jié)合的齒輪箱復(fù)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(xué)與技術(shù). 2019(10)
[7]基于數(shù)據(jù)驅(qū)動的變換器故障診斷綜述[J]. 黃麗梅,張旗.  電氣技術(shù). 2019(02)
[8]基于深度置信網(wǎng)絡(luò)和信息融合技術(shù)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(xué)學(xué)報. 2019(01)
[9]基于深度學(xué)習(xí)的機械設(shè)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(qū)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(shù). 2018(04)



本文編號：3590336