滾動軸承智能故障診斷技術(shù)是旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測領(lǐng)域的研究熱點,其中,特征提取是數(shù)據(jù)驅(qū)動背景下滾動軸承智能故障診斷方法中的關(guān)鍵技術(shù)。傳統(tǒng)的基于時頻域提取的故障特征具有很強(qiáng)的主觀性,工作內(nèi)容繁雜且獲取的特征有時不能很好地表征信號本身所蘊(yùn)含的故障特征信息,區(qū)分度較低。針對于此,將信號稀疏表示理論應(yīng)用于故障診斷領(lǐng)域,研究了基于雙稀疏和結(jié)合深度信念網(wǎng)絡(luò)的滾動軸承故障診斷方法。本文的研究成果如下:（1）針對傳統(tǒng)的智能故障診斷方法中,特征提取時采用時頻域的特征參數(shù)有時無法全面地描述信號故障類別本身的特點,提出了一種基于雙稀疏字典學(xué)習(xí)算法稀疏表示的滾動軸承特征提取方法。首先根據(jù)雙稀疏字典學(xué)習(xí)算法分別訓(xùn)練子字典,然后為了降低特征維度,根據(jù)所選用的稀疏分解算法,剔除各類故障信號訓(xùn)練獲得的雙稀疏子字典中的冗余原子,然后將剩下的原子按順序排列,獲得最終的雙稀疏綜合字典用以提取故障特征。仿真實驗結(jié)果表明,該方法在所獲得的滾動軸承稀疏表示特征信號不僅降低了原始信號的特征維度,而且稀疏表示信號的數(shù)據(jù)點是稀疏的,每一類故障的特征信號稀疏點分布位置明顯有別于其他信號。（2）傳統(tǒng)的滾動軸承智能故障診斷方法中,采用時頻域特征進(jìn)... 

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的提出及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀綜述
        1.2.1 機(jī)械故障診斷技術(shù)國內(nèi)外研究現(xiàn)狀
        1.2.2 稀疏表示理論的研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)理論的研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)
第2章 稀疏表示理論與深度信念網(wǎng)絡(luò)
    2.1 稀疏表示理論
        2.1.1 稀疏表示理論
        2.1.2 K-SVD算法
    2.2 深度信念網(wǎng)絡(luò)
        2.2.1 模式識別
        2.2.2 人工神經(jīng)網(wǎng)絡(luò)基本原理
        2.2.3 深度信念網(wǎng)絡(luò)簡介
    2.3 本章總結(jié)
第3章 基于雙稀疏綜合字典的滾動軸承特征表示方法
    3.1 雙稀疏字典學(xué)習(xí)算法
    3.2 基于雙稀疏綜合字典稀疏表示特征提取模型整體設(shè)計
        3.2.1 基于雙稀疏綜合字典稀疏表示特征提取模型的構(gòu)造原理
        3.2.2 基于雙稀疏綜合字典特征提取方法可行性分析
        3.2.3 基于雙稀疏綜合字典特征提取方法總體設(shè)計
    3.3 仿真實驗與結(jié)果分析
        3.3.1 基于雙稀疏綜合字典的故障特征提取方法參數(shù)分析
        3.3.2 基于雙稀疏綜合字典特征提取結(jié)果及可分類性
    3.4 本章總結(jié)
第4章 基于雙稀疏和深度信念網(wǎng)絡(luò)的滾動軸承故障診斷方法
    4.1 深度信念網(wǎng)絡(luò)
        4.1.1 受限玻爾茲曼機(jī)
        4.1.2 深度信念網(wǎng)絡(luò)的構(gòu)建
    4.2 基于雙稀疏綜合字典結(jié)合深度網(wǎng)絡(luò)的故障診斷模型總體設(shè)計
    4.3 仿真實驗與結(jié)果分析
        4.3.1 基于稀疏表示特征信號的深度信念網(wǎng)絡(luò)參數(shù)分析
        4.3.2 基于雙稀疏結(jié)合深度信念網(wǎng)絡(luò)的滾動軸承故障診斷結(jié)果
    4.4 本章總結(jié)
第5章 雙稀疏綜合字典在故障診斷中的作用分析
    5.1 常用智能故障診斷方法簡述
    5.2 仿真實驗與結(jié)果分析
        5.2.1 常用智能故障診斷方法與所提方法的診斷效果對比與分析
        5.2.2 雙稀疏綜合字典在故障診斷中的作用分析
    5.3 本章總結(jié)
結(jié)論與展望
    本文工作總結(jié)
    展望
參考文獻(xiàn)
致謝
附錄A 攻讀學(xué)位期間所撰寫及錄用的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]基于雙稀疏字典模型機(jī)械振動信號壓縮感知方法[J]. 郭俊鋒,石斌,雷春麗,魏興春,李海燕.  機(jī)械工程學(xué)報. 2018(06)
[2]一種基于改進(jìn)堆棧自動編碼器的航空發(fā)電機(jī)旋轉(zhuǎn)整流器故障特征提取方法[J]. 崔江,唐軍祥,龔春英,張卓然.  中國電機(jī)工程學(xué)報. 2017(19)
[3]基于K-SVD字典學(xué)習(xí)算法的稀疏表示振動信號壓縮測量重構(gòu)方法[J]. 郭俊鋒,石斌,魏興春,李海燕,王智明.  機(jī)械工程學(xué)報. 2018(07)
[4]大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機(jī)械工程學(xué)報. 2018(05)
[5]采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法[J]. 王麗華,謝陽陽,張永宏,趙曉平,周子賢.  西安交通大學(xué)學(xué)報. 2017(10)
[6]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)識別的齒輪智能故障診斷[J]. 時培明,梁凱,趙娜,安淑君.  中國機(jī)械工程. 2017(09)
[7]深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)方法綜述[J]. 殷瑞剛,魏帥,李晗,于洪.  計算機(jī)系統(tǒng)應(yīng)用. 2016(08)
[8]基于深度信念網(wǎng)絡(luò)的軸承故障分類識別[J]. 李巍華,單外平,曾雪瓊.  振動工程學(xué)報. 2016(02)
[9]基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J]. 王宏濤,孫劍偉.  軟件. 2015(11)
[10]基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機(jī)械工程學(xué)報. 2015(21)

博士論文
[1]復(fù)雜信息網(wǎng)絡(luò)的智能計算模型與算法研究[D]. 薛珊.上海大學(xué) 2018
[2]分塊稀疏表示的理論及算法研究[D]. 鄒健.華南理工大學(xué) 2012



本文編號：3681905