旋轉(zhuǎn)機(jī)械是現(xiàn)代工業(yè)中的核心設(shè)備,由于其結(jié)構(gòu)復(fù)雜及運(yùn)行工況多變,往往導(dǎo)致對(duì)其關(guān)鍵部件的故障監(jiān)測(cè)診斷十分困難。近年來(lái)基于深度學(xué)習(xí)算法的智能診斷技術(shù)發(fā)展迅速,并在旋轉(zhuǎn)機(jī)械故障領(lǐng)域得到了發(fā)展�；趬嚎s感知和深度學(xué)習(xí)理論提出了兩種故障特征提取與診斷新方法,并通過(guò)齒輪和滾動(dòng)軸承故障診斷實(shí)例驗(yàn)證了算法的有效性。首先,針對(duì)振動(dòng)信號(hào)采樣率高導(dǎo)致信號(hào)分析耗時(shí)嚴(yán)重的問(wèn)題,研究了傳統(tǒng)壓縮感知在旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)分析領(lǐng)域的應(yīng)用現(xiàn)狀與前景,并將其理論知識(shí)與旋轉(zhuǎn)機(jī)械故障信號(hào)分析相結(jié)合,將稀疏表示部分算法應(yīng)用在故障信號(hào)特征提取中對(duì)原始振動(dòng)信號(hào)進(jìn)行特征降維,大大降低了信號(hào)提取以及故障分類(lèi)時(shí)的復(fù)雜度,為工業(yè)應(yīng)用時(shí)實(shí)現(xiàn)實(shí)時(shí)性提供了理論基礎(chǔ)。其次,針對(duì)深度信念網(wǎng)絡(luò)模型訓(xùn)練時(shí)參數(shù)眾多、在應(yīng)用于旋轉(zhuǎn)機(jī)械故障特征提取與診斷時(shí)調(diào)參困難的問(wèn)題,提出了基于損失閾值的迭代誤差方法來(lái)防止訓(xùn)練過(guò)擬合從而優(yōu)化模型訓(xùn)練過(guò)程。在保證較高準(zhǔn)確率的前提下,實(shí)現(xiàn)了迭代次數(shù)的自適應(yīng)設(shè)置,降低深度信念網(wǎng)絡(luò)參數(shù)設(shè)置與調(diào)節(jié)的難度,當(dāng)將其應(yīng)用于旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)時(shí),也提高了故障識(shí)別的準(zhǔn)確率與效率。然后,針對(duì)因工況與結(jié)構(gòu)復(fù)雜引起的齒輪故障振動(dòng)信號(hào)難以利用傳統(tǒng)特征提取與診... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)方法和壓縮感知信號(hào)處理過(guò)程對(duì)比

燕山大學(xué)工程碩士學(xué)位論文-30-Step3：建模和分類(lèi)：從Step2獲得的TR和TE將作為輸入，調(diào)整模型參數(shù)，依據(jù)基于損失閾值的迭代優(yōu)化算法對(duì)DBN神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，將預(yù)訓(xùn)練階段的迭代次數(shù)實(shí)現(xiàn)自適應(yīng)，然后根據(jù)訓(xùn)練樣本矩陣TR和參數(shù)輸入改進(jìn)后的DBN神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。利用DBN對(duì)訓(xùn)練樣本TR進(jìn)行預(yù)訓(xùn)練，實(shí)現(xiàn)DBN建模，而后將TE進(jìn)行測(cè)試和分類(lèi)，得到故障識(shí)別和分類(lèi)結(jié)果。因此使用基于損失閾值的迭代優(yōu)化方法時(shí)實(shí)現(xiàn)了迭代次數(shù)的自適應(yīng)設(shè)置，在保證診斷精度的前提下，高效地完成了齒輪故障診斷任務(wù)。4.5實(shí)驗(yàn)算例數(shù)據(jù)分析本文依托QPZZ-II旋轉(zhuǎn)機(jī)械振動(dòng)分析故障診斷試驗(yàn)平臺(tái)系統(tǒng)和多級(jí)齒輪傳動(dòng)系統(tǒng)試驗(yàn)平臺(tái)設(shè)計(jì)了齒輪故障模擬實(shí)驗(yàn)，以進(jìn)行本文改良算法的有效性驗(yàn)證。實(shí)驗(yàn)裝置如圖4-4和圖4-5所示。圖4-4是QPZZ-II旋轉(zhuǎn)機(jī)械故障診斷試驗(yàn)平臺(tái)，該平臺(tái)針對(duì)大齒輪、小齒輪工作屬性，設(shè)置不同的缺陷類(lèi)型，分別為大齒輪故障(點(diǎn)蝕或斷齒)與小齒輪故障(磨損)，并對(duì)缺陷進(jìn)行不同排列組合得到5種故障場(chǎng)景的還原。依托圖4-5展示的多級(jí)齒輪傳動(dòng)系統(tǒng)實(shí)驗(yàn)平臺(tái)，可以模擬多種齒輪單一故障，如齒輪缺齒、齒輪削齒、齒根裂紋等。本文通過(guò)這兩個(gè)平臺(tái)采集的振動(dòng)數(shù)據(jù)，使用本文所提方法對(duì)其進(jìn)行診斷分類(lèi)。圖4-4QPZZ-II試驗(yàn)平臺(tái)小齒輪大齒輪

基于壓縮采集

【參考文獻(xiàn)】：
期刊論文
[1]基于迭代經(jīng)驗(yàn)小波變換的齒輪故障診斷方法[J]. 辛玉,李舜酩,王金瑞,易朋興,劉頡.  儀器儀表學(xué)報(bào). 2018(11)
[2]一種基于樣本熵與EEMD的艦船輻射噪聲特征提取方法[J]. 李余興,李亞安,陳曉,蔚婧.  水下無(wú)人系統(tǒng)學(xué)報(bào). 2018(01)
[3]基于FTA和SVM優(yōu)化算法的礦井提升機(jī)故障診斷方法研究[J]. 宮少琦,張偉,國(guó)明笛.  煤礦機(jī)械. 2017(04)
[4]基于支持向量機(jī)和窗函數(shù)的DEMD端點(diǎn)效應(yīng)抑制方法[J]. 孟宗,季艷,谷偉明,王娜.  計(jì)量學(xué)報(bào). 2016 (02)
[5]基于自適應(yīng)多尺度時(shí)頻熵的遙測(cè)振動(dòng)信號(hào)異常檢測(cè)方法[J]. 劉學(xué),梁紅,張志國(guó).  計(jì)算機(jī)測(cè)量與控制. 2015(08)
[6]基于相干累積量分段正交匹配追蹤方法的軸承早期故障稀疏特征提取[J]. 嚴(yán)�？�,周鳳星.  機(jī)械工程學(xué)報(bào). 2014(13)
[7]基于遺傳算法的振蕩器諧振回路的參數(shù)選擇[J]. 嚴(yán)剛峰,黃顯核,譚航,譚峰.  計(jì)量學(xué)報(bào). 2010 (02)
[8]基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的電阻抗圖像重建算法[J]. 南國(guó)芳,王化祥,王超.  計(jì)量學(xué)報(bào). 2003(04)
[9]分形維數(shù)及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 呂志民,徐金梧,翟緒圣.  機(jī)械工程學(xué)報(bào). 1999(02)

碩士論文
[1]風(fēng)力發(fā)電和光伏發(fā)電并網(wǎng)問(wèn)題研究[D]. 陳赟.上海交通大學(xué) 2009



本文編號(hào)：2970022