基于深度神经网络的机械故障诊断技术研究

发布时间：2020-04-09 13:35

【摘要】：当今现代化生产中,机械设备故障诊断技术受到越来越多的关注,如果设备出现故障却没有被及时发现与排除,其结果不仅会使设备损坏,还会造成严重的经济损失甚至威胁人的生命安全。因此,机械设备故障诊断技术的研究具有非常重要的意义。本文首先对机械设备故障诊断技术的现状进行调研,并对故障诊断领域中故障机理、振动信号特征提取技术及智能故障诊断方法进行研究,然后针对机械设备振动信号提出一种基于经验模态分解算法与孪生神经网络算法结合的故障诊断方法。该方法对机械设备各状态振动信号进行经验模态分解,选取包含主要故障信息的本征模态函数分量并提取能量特征,将能量特征输入到孪生神经网络中,实现机械故障诊断识别。为使孪生神经网络模型更好适应故障诊断问题,本文对孪生神经网络结构和决策过程进行了改进。最后通过使用凯斯西储大学轴承数据中心的滚动轴承公开数据集对本文提出的模型进行验证。实验结果表明,本文提出的基于深度神经网络故障诊断模型可以在使用少量训练样本的情况下,对滚动轴承故障进行有效识别。
【图文】：

故障诊断方法

图１－１故障诊断方法图逡逑基于数据驱动的故障诊断方法不需要考虑机械设备的物理结构，只需根据器采集到的数据就可以进行故障分析和诊断ｆ３１］。近年来，人工智能技术得速发展，各种各样的人工智能算法被运用到了各个领域，并取得了良好成于数据驱动的人工智能诊断方法克服传统基于分析模型和定性模型的故障方法的局限性，在各种机械设备的故障诊断系统中已被广泛应用。逡逑随着计算机技术和智能算法的发展，，人工智能理论和方法在故障诊断领域到广泛的应用。发展人工智能故障诊断技术是解决故障诊断问题的一条全新径。人工智能诊断技术是因现代工程发展实际需要从数学中衍生的一种集诸代学科技术与一体的综合性学科。人工智能诊断技术的发展与其他相关学科展紧密相关，该技术为了自身发展可以及时吸取最先进的成果和方法。国内断技术发展和使用现状表明，智能诊断技术在大型复杂系统和非线性系统中用表现卓越。诸如专家系统、模糊逻辑算法、遗传算法、神经网络等，这些技术具备针对环杂与不出准的，破

示意图,小波包分析,示意图

Ａ３逦Ｄ３逡逑图３－１三层分辨率分析示意图逡逑小包波分解是在小波分解只对信号低频进行分解的基础上对信号高频部分逡逑也进行了分解，如图３－２所示。设信号ｘ〔ｔ）第ｉ层分解的低频部分为＝逡逑１，２，邋．．．，２Ｗ），高频部分为木，其中ＡＴ为分解层数。则原始信号分解结果为：逡逑ｘ（ｔ）邋＝邋Ｅ邋￡邋ａｔ邋＋邋ｄｉ逦（３－１７）逡逑ｓ逡逑逦邋Ｉ邋逦逡逑Ｉ邋＇逦＇邋ｌ逡逑Ａｙ逦Ｄｔ逡逑￣￣Ｉ￣逦￣￣Ｉ￣￣逡逑Ｔ￣￣；逦，￣￣１逦Ｉ￣逦￣￣；逡逑ＡＡ２逦Ａ0２逦ＤＡ２逦ＤＤ２逡逑■逦…」ｔ逦「．邋Ｌ－邋，逦ｉ逦—ｉ逡逑１逦＼逦１逦ｌ逦１逦￣—ｌ逦ｉ逦？邋￣？邋￣￣＼逡逑ＡＡＡ３逦ＡＡＤ３逦ＡＤＡ３逦ＡＤＤ３逦ＤＡＡ３逦ＤＡＤｊ邋Ｉ邋ｄｄａ３逦ｄｄｄ３逡逑图３－２小波包分析示意图逡逑使用小波包算法并选择ｄｂ３基函数对振动信号进行三层小波包分解。以滚逡逑动轴承无负载状态下滚动体故障信号为例
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH17

【相似文献】