在現(xiàn)代工業(yè)生產(chǎn)中機(jī)械設(shè)備的智能化程度不斷提高,這些設(shè)備在大幅提高生產(chǎn)效率的同時(shí)也帶來了維護(hù)上的困難。現(xiàn)實(shí)中即使是一個(gè)不明顯的小故障也可能會(huì)因?yàn)闀r(shí)間的累積導(dǎo)致嚴(yán)重事故進(jìn)而導(dǎo)致經(jīng)濟(jì)損失甚至是人員傷亡,因此我們希望能夠?qū)υO(shè)備及時(shí)的檢修防止事故的發(fā)生。然而如果僅僅使用人力檢修必然需要停機(jī)然后耗費(fèi)大量的時(shí)間才能完成,而這期間也會(huì)造成大量的經(jīng)濟(jì)損失。為了實(shí)現(xiàn)對(duì)機(jī)械設(shè)備快速有效的檢測(cè)和維護(hù),機(jī)械的智能故障診斷技術(shù)越來越受到研究者的重視,且其已經(jīng)成為現(xiàn)代工業(yè)4.0的一個(gè)重要研究課題。機(jī)械的智能故障診斷技術(shù)在提高故障診斷的速度和精度的同時(shí)也降低了設(shè)備的維護(hù)成本。借助于機(jī)器學(xué)習(xí)技術(shù)特別是深度學(xué)習(xí)技術(shù)故障診斷算法變得越來越有效和智能,其在準(zhǔn)確率和穩(wěn)定性上都大幅提高。然而目前的故障診斷算法依然有很多可以優(yōu)化的地方。比如:目前大多數(shù)故障診斷算法依賴于使用專家經(jīng)驗(yàn)完成特征提取的任務(wù)、故障診斷模型的訓(xùn)練速度和診斷效果很難兼顧、大部分研究都沒有考慮當(dāng)診斷出現(xiàn)錯(cuò)誤所產(chǎn)生的不同代價(jià)進(jìn)而對(duì)算法的評(píng)價(jià)過于樂觀等等。針對(duì)上述存在的一些問題本文分別嘗試使用卷積神經(jīng)網(wǎng)絡(luò)處理原始振動(dòng)信號(hào)、代價(jià)敏感學(xué)習(xí)等方案來解決。卷積神經(jīng)網(wǎng)絡(luò)（CN... 

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)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 基于深度學(xué)習(xí)的故障診斷的研究現(xiàn)狀
    1.3 面向數(shù)據(jù)不平衡問題的研究現(xiàn)狀
    1.4 本文的工作和組織結(jié)構(gòu)
第2章 卷積網(wǎng)絡(luò)與實(shí)驗(yàn)基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        2.1.1 卷積層
        2.1.2 激活函數(shù)層
        2.1.3 池化層
        2.1.4 全連接層與softmax回歸
    2.2 網(wǎng)絡(luò)參數(shù)的初始化
    2.3 網(wǎng)絡(luò)的訓(xùn)練與Adam優(yōu)化算法
    2.4 典型的CNN結(jié)構(gòu)VGG簡(jiǎn)介
    2.5 常見的故障診斷數(shù)據(jù)集簡(jiǎn)介
    2.6 本章小結(jié)
第3章 基于二維卷積網(wǎng)絡(luò)的故障診斷研究
    3.1 基于信號(hào)處理二維化的方法
        3.1.1 短時(shí)傅里葉變換
        3.1.2 連續(xù)小波變換
    3.2 表征學(xué)習(xí)的原理
    3.3 一維原始數(shù)據(jù)二維化的方法
        3.3.1 振動(dòng)信號(hào)二維灰度化
        3.3.2 錯(cuò)位時(shí)間序列
    3.4 實(shí)驗(yàn)驗(yàn)證與效果比對(duì)
        3.4.1 數(shù)據(jù)預(yù)處理
        3.4.2 卷積網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.3 實(shí)驗(yàn)效果比對(duì)
    3.5 本章小結(jié)
第4章 代價(jià)敏感學(xué)習(xí)算法
    4.1 類間代價(jià)敏感
    4.2 樣例代價(jià)敏感
    4.3 基于類間代價(jià)的改進(jìn)代價(jià)敏感算法
        4.3.1 代價(jià)矩陣值的學(xué)習(xí)
        4.3.2 代價(jià)敏感矩陣與網(wǎng)絡(luò)參數(shù)的協(xié)同訓(xùn)練
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)與分析
    5.1 輸入數(shù)據(jù)的預(yù)處理
    5.2 實(shí)驗(yàn)中的評(píng)價(jià)指標(biāo)
    5.3 實(shí)驗(yàn)結(jié)果比對(duì)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的成果
學(xué)位論文評(píng)閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]滾動(dòng)軸承故障診斷中數(shù)據(jù)不均衡問題的研究[J]. 劉天羽,李國(guó)正.  計(jì)算機(jī)工程與科學(xué). 2010(05)

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

碩士論文
[1]基于大數(shù)據(jù)分析的故障診斷方法研究[D]. 黃騰達(dá).北京工業(yè)大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷域自適應(yīng)算法研究[D]. 朱智宇.哈爾濱工業(yè)大學(xué) 2019
[3]基于時(shí)頻分析和CNN的滾動(dòng)軸承故障診斷方法研究[D]. 唐蕞.哈爾濱工業(yè)大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)與多源信息融合的故障診斷方法研究[D]. 王琪.電子科技大學(xué) 2019
[5]結(jié)合時(shí)頻分析和卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷優(yōu)化方法研究[D]. 黃馳城.浙江大學(xué) 2019
[6]基于深度學(xué)習(xí)的化工故障診斷方法研究[D]. 胡志新.杭州電子科技大學(xué) 2018



本文編號(hào)：3723889