基于深度学习的滚动轴承故障诊断技术的研究

发布时间：2020-06-23 08:40

【摘要】：滚动轴承是旋转机械设备中最常用的零件之一,其工作状态直接影响到整个设备的运转。因此,对其进行故障诊断显得意义重大。随着大数据时代的到来,如何利用智能技术对滚动轴承进行故障诊断具有重要的现实意义。深度学习能够模拟人脑分层处理数据的方法,将低层、具体的原始数据提取为高层抽象的特征。通过深层结构从训练数据中学习复杂的非线性关系,从而实现对复杂数据分布的逼近。其具有强大的高维数据处理能力,多状态识别能力和对变工况的泛化能力。因此对于传统方法如支持向量机,BP神经网络等很难解决的大数据,变工况下的滚动轴承故障以及故障程度的多状态识别的问题非常适用。但如果低层原始特征数据所含特征信息较少或者不明显,就会大大降低状态识别的准确率。集合经验模态分解是一种自适应的信号时频局部化分析方法,它可以将任何复杂的信号分解成若干个本征模态函数。每一个本征模态函数都可以看作单分量信号,所以每一个模态都有其物理意义。而且每一个分量中都含有丰富的原始特征信息。结合上述两种方法,本文提出了一种基于集合经验模态分解与深度置信网络相结合的滚动轴承故障诊断方法。该方法首先对原始时域信号进行集合经验模态分解,然后对分解得到的前若干模态本征函数进行频谱变换,将变换后的分量依次连接,构建含有丰富特征信息的高维特征数据,将构建的高维数据以负载的不同分成若干个数据集作为深度学习的输入,用一种负载训练其他负载测试对滚动轴承进行故障诊断,该方法结合了深度学习对大数据强大的处理能力和对变工况的泛化能力以及多状态识别能力,较好的解决了在大数据变工况的前提下滚动轴承故障特征的多状态识别难的问题。
【学位授予单位】：河南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33
【图文】：

滚动轴承的结构示意图

磨损失效

【参考文献】

相关期刊论文 前7条

1 雷亚国;贾峰;周昕;林京;;基于深度学习理论的机械装备大数据健康监测方法[J];机械工程学报;2015年21期

2 李艳峰;王新晴;张梅军;朱会杰;;基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法[J];上海交通大学学报;2015年05期

3 王培良;夏春江;;基于PCA-PDBNs的故障检测与自学习辨识[J];仪器仪表学报;2015年05期

4 梁瑜;贾利民;蔡国强;刘金朝;;滚动轴承的非线性动力学故障模型研究[J];中国铁道科学;2014年01期

5 刘建伟;刘媛;罗雄麟;;玻尔兹曼机研究进展[J];计算机研究与发展;2014年01期

6 涂望明;宋执环;陈运涛;魏友国;周晶晶;;基于小波变换和LS-SVM的雷达故障诊断[J];控制工程;2013年02期

7 李国杰;程学旗;;大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J];中国科学院院刊;2012年06期

相关博士学位论文 前1条

1 王雷;基于流形学习的滚动轴承故障诊断若干方法研究[D];大连理工大学;2013年

相关硕士学位论文 前5条

1 董振振;滚动轴承复合故障机理及振动模型研究[D];哈尔滨工业大学;2015年

2 赵兴;基于深度置信网集成的高光谱数据分类方法研究[D];哈尔滨工业大学;2015年

3 聂品磊;滚动轴承故障特征提取技术研究[D];东北石油大学;2015年

4 宫广廷;变转速条件下滚动轴承故障特征提取与诊断[D];沈阳航空航天大学;2015年

5 吕路勇;基于振动信号的滚动轴承故障诊断方法研究[D];华北电力大学（河北）;2008年

本文编号：2727087