近年來,我國科技水平得到了進一步的提升,信息化的發(fā)展帶動了工業(yè)化的進步,使得機械化生產(chǎn)日益普及。滾動軸承是機械系統(tǒng)的重要組成成分,軸承的失效可能會導致機械系統(tǒng)的損壞,對機械設備中的滾動軸承進行狀態(tài)監(jiān)測與故障診斷具有重要意義。傳統(tǒng)的智能故障診斷方法主要采用人工提取特征,并將被提取出的特征輸入到所運用的機器學習方法中進行訓練,以此得到模型進行診斷。隨著深度學習等人工智能方法的發(fā)展,越來越多的深度學習方法被運用于滾動軸承故障診斷中。本文將深度學習理論與極限學習機相結合,提出一種深層極限學習機的深度學習方法,并搭建了滾動軸承故障診斷實驗平臺,研究深層極限學習機在滾動軸承故障診斷中的有效性。本文的主要內(nèi)容分為以下三個部分:1.本文引入了一種深層極限學習機的故障診斷算法。深層極限學習機聯(lián)合了自編碼器的特征提取能力與極限學習機的快速訓練能力,相比于SAE、DBN等其他深度學習方法,深層極限學習機極大的縮短了網(wǎng)絡的訓練時間,提高了應用效率,同時,其可直接采用不經(jīng)特征提取的原始數(shù)據(jù)進行訓練,避免了人工選取敏感故障特征困難等問題。2.本文提出了一種稀疏近鄰深層極限學習機的滾動軸承故障診斷方法,將稀疏保持投...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖2-7受限玻爾茲曼機結構

第二章算法理論基礎13樣，當已知隱含層的情況下，所有可視層也是相互獨立的，即()()()()12////mpvh=pvhpvhpvh。由于所有的v與h均滿足Boltzmann分布，因此，可視層與隱含層可通過p(v,h)相互轉化得到，假如通過調(diào)整參數(shù)，使得從隱含層得到的可視層V與原....

圖3-2滾動軸承故障診斷實驗平臺

江南大學碩士學位論文26圖3-2滾動軸承故障診斷實驗平臺電機故障軸承位置近端軸承聯(lián)軸器飛輪飛輪遠端軸承帶傳動負載防護罩測點設置,采集電流信號圖3-3平臺結構示意圖表3-1軸承參數(shù)參數(shù)值滾動體數(shù)8節(jié)圓直徑33.48mm滾動體直徑7.94mm（a）正常狀態(tài)（b）內(nèi)圈故障

圖3-4實驗數(shù)據(jù)波形圖

第三章基于稀疏近鄰保持深層極限學習機的故障診斷方法研究27（c）外圈故障（d）滾動體故障圖3-4實驗數(shù)據(jù)波形圖傳統(tǒng)的故障診斷方法一般都采用振動信號進行分析與診斷，但是，在實際工業(yè)應用中，傳統(tǒng)基于振動的方法需要布置相應的振動傳感器，而現(xiàn)場環(huán)境一般存在著許多的噪聲干擾，且在復雜工況下....

圖3-7十次診斷結果對比

江南大學碩士學位論文30圖3-7十次診斷結果對比從診斷結果可以看到，單層ELM的訓練時間極短，但是，由于網(wǎng)絡的表征能力有限，正確率只有73.499%，顯然并不能滿足實際診斷的要求，四種深度學習方法正確率均達到了90%以上，說明深度學習算法自身的強特征提取能力可以自適應的從原始數(shù)據(jù)....

本文編號：3935815