減速電機為工業(yè)生產(chǎn)的關鍵基礎設備被廣泛的應用于各種工業(yè)生產(chǎn)領域中,實現(xiàn)對減速電機健康狀態(tài)監(jiān)測是保證工業(yè)生產(chǎn)過程安全持續(xù)進行的關鍵,展開對減速電機故障診斷技術的研究具有重大意義。在減速電機運行過程中各個部件產(chǎn)生的振動信號能夠準確的反應減速電機的健康狀態(tài),因此本文分別對減速電機運行過程中轉子和軸承產(chǎn)生的振動信號進行分析,實現(xiàn)對減速電機的轉子偏心故障和軸承故障進行診斷。本文主要研究內(nèi)容如下:針對減速電機轉子偏心故障,由于實際采集的減速電機轉子振動信號中含有很強的噪聲成分,利用其合成轉子軸心軌跡將很難提取出故障特征。本文首先利用諧波小波對轉子振動信號進行提純處理,并對提純后振動信號合成的軸心軌跡提取仿射不變矩特征,利用BP神經(jīng)網(wǎng)絡對提取的減速電機轉子不同類型偏心故障的仿射不變矩特征進行分類識別實現(xiàn)對減速電機轉子偏心故障診斷,并通過仿真實驗及設計減速電機轉子偏心故障診斷系統(tǒng)對該減速電機轉子偏心故障診斷方法的性能進行實驗驗證,實驗結果表明該故障診斷方法能夠對幾種典型的減速電機轉子偏心故障準確的識別。針對減速電機軸承故障,本文設計了一種基于一維卷積神經(jīng)網(wǎng)絡的減速電機軸承故障診斷方法,該方法能夠直接從... 

【文章來源】：西安理工大學陜西省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 主要研究內(nèi)容
2 減速電機故障診斷相關基礎理論
    2.1 減速電機轉子軸心軌跡產(chǎn)生機理
        2.1.1 轉子振動機理
        2.1.2 轉子系統(tǒng)受力分析
        2.1.3 減速電機轉子常見偏心故障類型及軸心軌跡圖形
    2.2 減速電機軸承故障產(chǎn)生機理分析
        2.2.1 軸承基本結構
        2.2.2 軸承失效表現(xiàn)形式
        2.2.3 軸承故障振動信號特征頻率分析
    2.4 本章小結
3 減速電機轉子軸心軌跡特征提取與故障診斷
    3.1 轉子軸心軌跡諧波小波提純
        3.1.1 小波去噪基礎理論
        3.1.2 諧波小波提純理論
        3.1.3 軸心軌跡提純仿真
    3.2 轉子軸心軌跡特征提取
        3.2.1 仿射不變矩特征構造
        3.2.2 軸心軌跡圖形仿射不變矩計算
    3.3 轉子軸心軌跡識別仿真
        3.3.1 BP神經(jīng)網(wǎng)絡基本理論
        3.3.2 軸心軌跡識別網(wǎng)絡設計
        3.3.3 軸心軌跡自動識別仿真實驗
    3.4 減速電機轉子偏心故障診斷系統(tǒng)設計與實際應用
        3.4.1 減速電機轉子偏心故障診斷系統(tǒng)硬件
        3.4.2 減速電機轉子偏心故障診斷系統(tǒng)軟件
        3.4.3 減速電機轉子偏心故障診斷系統(tǒng)測試
    3.5 本章小結
4 基于卷積神經(jīng)網(wǎng)絡框架的減速電機軸承故障診斷
    4.1 卷積神經(jīng)網(wǎng)絡基本結構
        4.1.1 卷積層
        4.1.2 激活層
        4.1.3 池化層
        4.1.4 全連接層
        4.1.5 誤差函數(shù)
        4.1.6 批量歸一化層
    4.2 卷積神經(jīng)網(wǎng)絡的誤差反向傳播
        4.2.1 全連接層反向求導
        4.2.2 池化層反向求導
        4.2.3 卷積層反向求導
        4.2.4 批量歸一化層反向求導
    4.3 RAdam優(yōu)化算法
    4.4 基于一維卷積神經(jīng)網(wǎng)絡的減速電機軸承故障診斷方法
        4.4.1 實驗數(shù)據(jù)來源
        4.4.2 數(shù)據(jù)集增強
        4.4.3 數(shù)據(jù)集構建
        4.4.4 網(wǎng)絡參數(shù)設計
        4.4.5 軸承故障診斷實驗與分析
    4.5 基于二維卷積神經(jīng)網(wǎng)絡的減速電機軸承故障診斷方法
        4.5.1 數(shù)據(jù)集構建
        4.5.2 網(wǎng)絡參數(shù)設計
        4.5.3 軸承故障診斷實驗與分析
    4.6 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻
攻讀碩士學位期間主要研究成果


【參考文獻】：
期刊論文
[1]基于三維不變線矩的發(fā)電機組導軸承三維軸心軌跡故障識別[J]. 王潤鵬,王樹新,孟繁欣,朱紫威,白潔,劉忠仁,韓毅.  大電機技術. 2019(06)
[2]基于諧波小波包和IAGA-SVM的滾動軸承故障診斷[J]. 呂維宗,王海瑞,舒捷.  計算機應用與軟件. 2019(10)
[3]基于小波包與CNN的滾動軸承故障診斷[J]. 許理,李戈,余亮,姚毅.  四川理工學院學報(自然科學版). 2018(03)
[4]基于時頻圖和CNN的滾動軸承故障診斷[J]. 劉炳集,熊邦書,歐巧鳳,陳新云.  南昌航空大學學報(自然科學版). 2018(02)
[5]基于堆疊稀疏自編碼的滾動軸承故障診斷[J]. 侯榮濤,周子賢,趙曉平,謝陽陽,王麗華.  軸承. 2018(03)
[6]自適應諧波窗及其在振動信號頻率提取中的應用（英文）[J]. 李舜酩,王金瑞,李香蓮.  Journal of Central South University. 2018(01)
[7]結合位移檢測和LSSVM的電機故障診斷[J]. 張芳芳,張世榮,程琴.  河南科技大學學報(自然科學版). 2018(02)
[8]基于時序貼近度與改進SVM的水機軸心軌跡診斷[J]. 薛延剛,王勇勁,趙海英,牛廣文,喬芳.  排灌機械工程學報. 2017(12)
[9]轉子系統(tǒng)三維軸心軌跡和流形學習的故障診斷方法[J]. 邵杰,龐新宇,楊兆建,李峰.  機械科學與技術. 2018(06)
[10]基于高度函數(shù)的旋轉機械軸心軌跡識別方法[J]. 孫國棟,艾成漢,周振,湯漢兵.  中國測試. 2017(09)

博士論文
[1]基于深度自編碼器的機械故障診斷方法研究[D]. 張玉彥.華中科技大學 2019

碩士論文
[1]基于深度學習的路標識別[D]. 何銳波.江南大學 2019
[2]基于聲發(fā)射技術的超低速滾動軸承故障診斷研究[D]. 徐桃萍.蘭州理工大學 2019
[3]基于改進CNN的變工況下滾動軸承故障診斷方法研究[D]. 李藝偉.哈爾濱理工大學 2019
[4]基于深度學習的旋轉機械軸心軌跡細粒度識別算法研究[D]. 艾成漢.湖北工業(yè)大學 2018
[5]滾動軸承故障診斷方法研究與系統(tǒng)開發(fā)[D]. 劉珍珍.南昌航空大學 2018
[6]基于Mellin變換的仿射不變特征提取[D]. 張亮.南京信息工程大學 2018
[7]基于特征提取和稀疏表示的滾動軸承故障診斷方法研究[D]. 周小東.湖南大學 2018
[8]基于自混合干涉技術的減速電機故障診斷[D]. 周旭明.東北石油大學 2017
[9]基于改進的深度信念網(wǎng)絡的行星減速器智能故障診斷方法研究[D]. 邢劍鋒.重慶大學 2017
[10]基于改進堆疊降噪自編碼網(wǎng)絡的軸承故障診斷研究[D]. 侯文擎.華南理工大學 2017



本文編號：3196228