基于深度信念网络的故障诊断研究

发布时间：2020-05-11 15:52

【摘要】：故障诊断是视情维修的重要内容,通过监测、处理和学习设备运行过程中产生的状态监测信息,提取监测数据中隐含的故障相关的特征并建立特征与状态之间非线性联系,可以达到故障检测、故障分离和故障识别三个目标,以实现对设备不同健康状态,包含故障类型、故障位置和故障程度的判断,从而及时发现设备退化过程中的早期故障,并做出合理的维修决策,提高系统的可靠性,降低维护成本。随着传感器、状态监测等技术的发展,设备在运行过程中储存了大量包含丰富特征信息的实时状态监测数据。深度学习的方法具有较好的大数据处理能力和特征学习能力,可用于具有大量监测数据的故障诊断问题中。因此,本文将采用深度学习中深度信念网络的方法,用机械零部件的状态监测数据来训练建立的深度信念网络模型,实现故障诊断。本文以滚动轴承为研究对象,探索深度信念网络在机械零部件故障诊断上的应用。首先分析轴承的状态监测方法和故障类型,并以美国凯斯西储大学轴承振动数据为原始信号用于故障诊断方法的研究和分析。然后,根据原始信号的采样频率、采样长度等确定的样本输入数据长度,对原始信号进行截断处理,形成指定长度的样本输入数据。同时,根据故障诊断的研究目的和研究对象的故障类型以及故障深度,设置信号包含的故障类别,并对应每个样本的故障类别,设置样本的标准输出数据。随后,在形成样本的基础上,对数据进行频域转换和归一化处理,再根据样本输入数据长度和设置的故障类别数建立和训练相应的DBN模型,并通过多个性能指标对模型进行评估。接着,根据隐含层神经元节点数不同设置多个隐含层组合,通过对比分析,确定用于本文所解决问题的DBN模型的最佳隐含层组合。最后,对DBN模型进行传感器位置敏感性分析和外圈故障位置敏感性分析,为状态监测数据的采集提供一定的指导,并用该方法进一步识别不同的外圈故障位置。
【图文】：

图１－２论文结构框架图逡逑Ｆｉｇｕｒｅ邋１－２邋Ｔｈｅｓｉｓ邋ａｒｃｈｉｔｅｃｔｕｒｅ邋ｄｉａｇｒａｍ逡逑论文共分为五个章节，其中第三章为本文重点内容，以轴承为研宄对象，深度信念网络为主要研宄方法来建立故障诊断模型和模型性能的评估。第二章三章和第四章研宄做了铺垫，通过对包含多种健康状态，复杂的原始数据进组、样本数据转换等处理，使其能够用于后续的研宄中。第四章为对该方法ａ逡逑

子故障、转子故障和轴承故障。根据ＩＥＥＥ电机可靠性工作组的研究，轴承故障是逡逑电机故障的最主要的原因，占所有故障的４１％，其次是定子故障和转子故障［５１］，逡逑如图２－１所示。逡逑图２－１电机故障原因逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ｒｅａｓｏｎ邋ｆｏｒ邋ｍｏｔｏｒ邋ｆａｕｌｔ逡逑由图可知，，轴承故障是导致电机故障的重要原因。并且轴承也是电机重要的逡逑机械元件之一，因此，轴承的任何故障都可能导致电机的失效，从而造成生产和逡逑财产的损失。另一方面，轴承除了应用在电机中以外，也在几乎每个涉及旋转和逡逑往复机械的工业过程中使用，起到支撑和旋转机械中轴的作用。由此可知，轴承逡逑在工业过程中具有一定的重要性和常用性，对轴承进行实时的故障诊断，可以及逡逑时诊断轴承的早期故障并采取合理的维修策略，减少意外故障的发生。同时，通逡逑过提高轴承的可靠性能有效提高电机和其他工业过程的稳定性和可靠性。因此，逡逑１４逡逑
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【相似文献】

相关期刊论文 前10条

1 刘林凡;;深度学习在故障诊断中的研究综述[J];新型工业化;2017年04期

2 何绪铜;;深度追问,促进学生深度思考——以人教版小学数学四年级下册“观察物体(二)”一课教学为例[J];小学教学参考;2016年35期

3 陈侠;;指导学生理性观察的思考与实践——以观察生物器官为例[J];中学生物学;2016年12期

4 孙学东;;一次函数图象为什么是一条直线[J];中学数学杂志;2017年02期

5 马振萍;;“深度学习”视角下《碳的单质(课时1)》的教学[J];教育视界;2017年07期

6 濮姚良;;沐数学之光,享实验之果[J];数学大世界(中旬);2017年08期

7 张云;吕景伟;;磨机减速机滚动轴承特征提取和故障诊断研究[J];水泥工程;2016年04期

8 高洪波;刘杰;李允公;;基于改进数学形态谱的齿轮箱轴承故障特征提取[J];振动工程学报;2015年05期

9 李开菊;郑波尽;;浅谈深度学习[J];软件;2016年05期

10 李洪儒;王余奎;王冰;许葆华;李兴林;;面向广义数学形态颗粒特征的灰色马尔科夫剩余寿命预测方法[J];振动工程学报;2015年02期

相关会议论文 前10条

1 张利;徐娟;张建军;程龙;赵佛晓;;基于网格的远程协同故障诊断资源管理模型研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

2 商斌梁;张振仁;;基于小波与遗传算法的气阀机构的故障诊断[A];2001年中国智能自动化会议论文集（下册）[C];2001年

3 李娟;;浅谈泵站设备故障诊断问题[A];2009全国大型泵站更新改造研讨暨新技术、新产品交流大会论文集[C];2009年

4 朱泉;;滚动轴承故障诊断的实用技巧[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

5 刘波;刘少华;姚国仲;申立中;;冗余电位器加速踏板故障诊断策略研究~[A];内燃机科技（高校篇）——中国内燃机学会第六届青年学术年会论文集[C];2015年

6 王纪凯;王鹏;张启彬;陈宗海;;激光数据特征提取与学习方法[A];第17届中国系统仿真技术及其应用学术年会论文集（17th CCSSTA 2016）[C];2016年

7 周晓凯;严普强;;基于小波分析的铁路车辆滚动轴承不解体故障诊断新方法[A];第八届和第九届全国振动与噪声技术交流会论文集[C];1995年

8 张彼德;;汽轮发电机组振动多故障诊断的神经网络方法研究[A];第八届全国振动理论及应用学术会议论文集摘要[C];2003年

9 魏伟胜;;γ射线故障诊断技术[A];中国化工学会2003年石油化工学术年会论文集[C];2003年

10 李铁军;赵海文;李慨;沈志忠;;基于多智能体的机电系统控制与故障诊断的研究[A];2003年中国智能自动化会议论文集（下册）[C];2003年

相关重要报纸文章 前10条

1 武汉科技学院纺织服装学院 林子务;故障诊断中的数学概念[N];中国纺织报;2004年

2 邢小兵 记者 王瑶;我国首个航天器在轨故障诊断与维修实验室成立[N];解放军报;2014年

3 杨亚洲 邢小兵 记者 齐小英;航天器故障诊断与维修室在西安成立[N];陕西日报;2013年

4 李萍;济钢EAM离线网络点检和故障诊断管理系统开发应用[N];世界金属导报;2007年

5 ;点火系故障诊断[N];华夏时报;2001年

6 李继光;铡草机常见故障诊断及排除[N];云南科技报;2003年

7 何攻 何延青;与Windows 2003亲密接触之常见故障诊断[N];电脑报;2003年

8 记者冯竞;“ B737飞机故障诊断与维修指导系统”开发成功[N];科技日报;2002年

9 宗樾;空调常见故障诊断[N];中国质量报;2004年

10 秦夏 记者 王梅;旋转机械远程在线监测及故障诊断中心落户陕鼓[N];中国质量报;2006年

相关博士学位论文 前10条

1 隋文涛;滚动轴承表面损伤故障的特征提取与诊断方法研究[D];山东大学;2011年

2 熊庆;列车滚动轴承振动信号的特征提取及诊断方法研究[D];西南交通大学;2015年

3 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

4 王奉涛;非平稳信号故障特征提取与智能诊断方法的研究及应用[D];大连理工大学;2003年

5 钱华明;故障诊断与容错技术及其在组合导航系统中的应用研究[D];哈尔滨工程大学;2004年

6 蒋丽英;基于FDA/DPLS方法的流程工业故障诊断研究[D];浙江大学;2005年

7 韩彦岭;面向复杂设备的远程智能诊断技术及其应用研究[D];上海大学;2005年

8 张君;小波分析技术在汽轮机故障诊断中的应用研究[D];华北电力大学（河北）;2005年

9 邓学欣;开放式故障诊断构架及动态测试分析方法研究[D];天津大学;2004年

10 谭树彬;轧机厚控系统状态监测与故障诊断的研究与应用[D];东北大学;2006年

相关硕士学位论文 前10条

1 文红权;基于深度信念网络的故障诊断研究[D];北京交通大学;2018年

2 贺西;基于小波包和支持向量机的轴承故障诊断研究[D];辽宁工程技术大学;2014年

3 单外平;基于深度信念网络的变速器故障分类识别研究[D];华南理工大学;2015年

4 吴武林;基于机器学习的滚动轴承智能诊断方法研究[D];江西理工大学;2015年

5 席玉洁;离心泵故障诊断专家系统的应用研究[D];北京化工大学;2011年

6 金相君;低频辐射源杂散特征提取及分类方法研究[D];南京航空航天大学;2016年

7 段春宇;滚动轴承故障特征提取与诊断研究[D];石家庄铁道大学;2015年

8 冯振华;基于分形和支持向量机的机械设备故障诊断[D];太原理工大学;2007年

9 尤晓菲;滚动轴承振动信号的特征提取与故障诊断研究[D];华北电力大学(北京);2017年

10 张晨罡;基于经验模态分解的滚动轴承故障诊断方法研究[D];郑州大学;2007年

本文编号：2658703