基于改进CNN的变工况下滚动轴承故障诊断方法研究

发布时间：2020-06-02 10:06

【摘要】：滚动轴承作为旋转机械的基础部件,广泛应用于工程机械、航空航天、高铁动车等重要领域。建立可靠的健康状态检测系统,是保证旋转机械在工业过程中平稳运行的关键。在实际工程应用中,滚动轴承往往工作在负载与转速变化的条件下,由于其运行状态复杂多变,产生的振动信号特征分布差异性较大?而基于信号处理的特征提取结合分类器的传统智能诊断方法,过于依赖专家经验和先验知识,无法满足变工况条件下,滚动轴承振动信号特征提取与故障识别的要求。因此,针对该问题提出了一种基于深度学习的端到端的滚动轴承故障诊断方法,实现从原始信号到分类结果的直接映射?首先,通过卷积神经网络(CNN)将振动数据映射到非线性空间域,从大量原始信号中挖掘与轴承运行状态相关的信息。利用CNN对输入信号的微小位移、缩放具有不变性的特点,自适应提取变工况下滚动轴承故障特征。其次,针对不同工况下的轴承振动信号表现形式具有差异性,且故障发生时信号的局部突变性特点,提出将注意力机制思想融入CNN结构中,建立特征通道之间的依赖关系,更好地推理不同表现形式数据之间的关联性,进一步提高变工况下轴承振动特征的敏感性。最后,利用数据增强方法获得更加丰富多样的训练样本,使提出的深度神经网络得到更充分的学习,有效避免过拟合?通过进一步分析振动信号的特点,为了学习到对信号位移具有不变性的特征,设计了注意力机制CNN模型中超参数的选择方案,降低故障诊断算法的设计难度。实验表明,所提基于注意力机制CNN故障诊断模型可实现变工况下的滚动轴承多状态识别与分类,与其他方法相比,其可获得更高的准确率。
【图文】：

图 2-5 编码器-解码器基本结构Fig. 2-5 Basic structure of encoder-decoder mxxYy,y-,,,212 编码器解码器器就是对输入序列进行编码，实现非线

加入注意力机制模型的编码器—解码器基本结构ture of encoder-decoder incorporating attention mechanism的实现过程总体可分为两部分：注意力权重生成)与(2-11)所示：a h X Z a Z力机制网络，其生成注意力权重向量 a，利用神征向量 Z，，将注意力权重 a 与 Z 相乘。T 是一种思想，而不是某种模型的实现，因此它身并不依赖于特定框架[54]。因此将注意力机制从，进一步分析注意力机制的原理。理特征信息表示为X1:N= [x1，x2，…，xN]，i=1，
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33

【相似文献】

相关期刊论文 前10条

1 屈强;尉宝元;;197726型滚动轴承故障产生原因及对策[J];京铁科技通讯(太原刊);2002年01期

2 陈松;陈立爱;;经验模态分解和神经网络在滚动轴承故障诊断中应用研究[J];安徽建筑大学学报;2016年04期

3 倪安福;;基于包络谱分析的滚动轴承故障诊断方法研究[J];煤矿机械;2017年02期

4 秦波;孙国栋;陈帅;王祖达;王建国;;排列熵与核极限学习机在滚动轴承故障诊断中的应用[J];组合机床与自动化加工技术;2017年02期

5 李卫;;非平稳工况的滚动轴承故障特征研究新方法[J];机械设计与研究;2017年01期

6 汪治安;夏均忠;但佳壁;于明奇;吕麒鹏;;循环平稳在滚动轴承故障诊断中的应用[J];军事交通学院学报;2017年06期

7 陈慧;胡俊锋;熊国良;;基于小波包分解与权重包络谱的滚动轴承故障特征增强[J];机械设计与研究;2017年03期

8 陈雷;;滚动轴承故障诊断实例[J];设备管理与维修;2016年10期

9 杨康鹏;;一种改进的滚动轴承故障诊断方法[J];机械制造;2012年05期

10 蒋康保;;神经网络在滚动轴承故障诊断中的应用[J];装备制造技术;2010年01期

相关会议论文 前10条

1 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中应用[A];第九届全国振动理论及应用学术会议论文集[C];2007年

2 和卫星;陈晓平;马东玲;;基于混沌时间序列的滚动轴承故障局部预测[A];2009中国仪器仪表与测控技术大会论文集[C];2009年

3 张益纯;;常见滚动轴承故障诊断的技术探讨[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

4 李放宁;;峰值能量在滚动轴承故障诊断中的应用[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 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

6 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中的应用[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

7 闵勇;郭一楠;闫俊荣;;基于贪心算法的滚动轴承故障诊断特征提取[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

9 古莹奎;杨子茜;朱繁龙;;基于主成分分析的滚动轴承故障特征融合分析[A];2014年全国机械行业可靠性技术学术交流会暨可靠性工程分会第五届委员会成立大会论文集[C];2014年

10 王俊锋;申永军;;高阶统计量在滚动轴承故障诊断中的应用研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年

相关博士学位论文 前10条

1 池永为;滚动轴承故障的振动特性分析与智能诊断方法研究[D];浙江大学;2018年

2 王洪伟;航空发动机滚动轴承故障诊断与预测关键技术研究[D];南京航空航天大学;2015年

3 葛慧敏;车辆滚动轴承故障诊断建模及关键技术研究[D];江苏大学;2017年

4 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

5 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年

6 徐剑;基于短时奇异谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2017年

7 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

8 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年

9 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

10 Ao Hung Linh（池雄岭）;基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年

相关硕士学位论文 前10条

1 汪一飞;基于全矢CEEMD的滚动轴承故障诊断研究[D];郑州大学;2019年

2 梁宁;基于分形几何的滚动轴承故障诊断方法研究[D];北京邮电大学;2019年

3 葛红平;基于自适应局部迭代滤波的滚动轴承故障诊断研究[D];南昌航空大学;2019年

4 梁珊;基于深度信念网络的滚动轴承故障诊断研究[D];南昌航空大学;2019年

5 吕嘉良;分数阶傅里叶变换在滚动轴承故障诊断中的应用[D];哈尔滨理工大学;2019年

6 李艺伟;基于改进CNN的变工况下滚动轴承故障诊断方法研究[D];哈尔滨理工大学;2019年

7 胡明武;基于迁移学习的变工况下滚动轴承故障诊断方法研究[D];哈尔滨理工大学;2019年

8 马华鑫;偏最小二乘法极限学习机的滚动轴承故障预测[D];哈尔滨理工大学;2019年

9 付培英;基于深度学习的滚动轴承故障信号自动分类算法研究[D];天津工业大学;2019年

10 杜小磊;基于深度学习的滚动轴承故障诊断方法[D];北京建筑大学;2019年

本文编号：2692995