旋轉(zhuǎn)機械在航天航海,交通運輸,制造業(yè)等領(lǐng)域起著重要作用,滾動軸承是旋轉(zhuǎn)機械中重要的、廣泛應(yīng)用的部件之一。軸承的運行狀態(tài)往往決定了旋轉(zhuǎn)機械工作的穩(wěn)定性,異物進入、裝配不適、潤滑不足、過載等問題都會導(dǎo)致軸承提前失效,可能對旋轉(zhuǎn)機械造成嚴重影響。針對滾動軸承進行監(jiān)測故障診斷可以保障旋轉(zhuǎn)機械運轉(zhuǎn)狀態(tài)良好,避免發(fā)生嚴重事故。因此,滾動軸承故障診斷已成為國內(nèi)外的研討熱點問題,對現(xiàn)代工業(yè)的發(fā)展具備重要意義。傳統(tǒng)的故障診斷方法主要為信號分析方法,但隨著旋轉(zhuǎn)機械的發(fā)展,信號組成成分逐漸復(fù)雜,依賴于人工提取特征的方法已不再適用�；谥悄芩惴ǚ椒ǖ墓收显\斷技術(shù)得益于大數(shù)據(jù)技術(shù)的發(fā)展,在許多方面已超越了信號分析方法,節(jié)約了許多資源,在識別率和穩(wěn)定性方面均優(yōu)于信號分析方法。因此,本文提出一種基于小波時頻分析和可變形卷積神經(jīng)網(wǎng)絡(luò)的智能算法方法,運用到滾動軸承故障診斷中,平均準確率達到99.9%,獲得了較好的成績。首先,文章闡述了滾動軸承失效原因和故障類別,對于滾動軸承運轉(zhuǎn)過程中引起的諧波分量進行了說明,分析了諧波分量對沖擊分量的影響。根據(jù)諧波分量和沖擊分量在頻率上的區(qū)別,使用基于傅里葉字典的OMP算法去除掉諧波分...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 滾動軸承故障診斷研究現(xiàn)狀
    1.3 時頻分析研究現(xiàn)狀
    1.4 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.5 論文組織結(jié)構(gòu)
    1.6 本章小結(jié)
第2章 滾動軸承振動產(chǎn)生的諧波分析和諧波去除
    2.1 滾動軸承基本結(jié)構(gòu)和常見故障
    2.2 滾動軸承轉(zhuǎn)動產(chǎn)生的諧波分析
        2.2.1 諧波產(chǎn)生原因
        2.2.2 諧波對沖擊信號的影響
    2.3 諧波去除方法及實驗
        2.3.1 諧波去除方法
        2.3.2 實驗與結(jié)果分析
    2.4 本章小結(jié)
第3章 滾動軸承故障信號的時頻分析
    3.1 基于短時傅里葉的時頻分析
        3.1.1 短時傅里葉變換的基礎(chǔ)理論
        3.1.2 參數(shù)選擇原則
    3.2 基于小波變換的時頻分析
        3.2.1 小波變換的基礎(chǔ)理論
        3.2.2 母小波函數(shù)理論與實驗選取
    3.3 諧波去除對時頻分析結(jié)果的影響
    3.4 本章小結(jié)
第4章 卷積神經(jīng)網(wǎng)絡(luò)及改進方法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.1 卷積層
        4.1.2 池化層
        4.1.3 全連接層
    4.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
        4.2.1 反向傳播算法
        4.2.2 網(wǎng)絡(luò)優(yōu)化方法
            4.2.2.1 Dropout隨機失活技術(shù)
            4.2.2.2 Adam參數(shù)優(yōu)化算法
    4.3 可變形卷積神經(jīng)網(wǎng)絡(luò)
    4.4 本章小結(jié)
第5章 滾動軸承故障診斷實驗與結(jié)果分析
    5.1 滾動軸承故障診斷實驗流程
    5.2 數(shù)據(jù)集介紹、處理與分割
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 時頻圖像數(shù)據(jù)集處理與分割
        5.2.3 時域特征數(shù)據(jù)集處理與分割
    5.3 卷積神經(jīng)網(wǎng)絡(luò)模型搭建
        5.3.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型搭建
        5.3.2 可變形卷積神經(jīng)網(wǎng)絡(luò)模型搭建
    5.4 基于智能算法方法實驗結(jié)果
    5.5 基于信號分析方法實驗
        5.5.1 三種實驗?zāi)Ｐ突A(chǔ)理論及搭建
            5.5.1.1 隨機森林
            5.5.1.2 SVM支持向量機
            5.5.1.3 BP神經(jīng)網(wǎng)絡(luò)
        5.5.2 信號分析方法實驗結(jié)果
    5.6 實驗結(jié)果分析
    5.7 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 今后工作展望
參考文獻
致謝



本文編號：3782715