基于深度信念网络的滚动轴承故障诊断研究

发布时间：2020-07-07 10:36

【摘要】：由于滚动轴承工况的复杂性,采集到的振动信号往往受到强背景噪声干扰,难以提取到有效的故障特征,因此无法依靠传统的振动信号处理方法建立精确的物理模型确定故障类型和部位。深度信念网络的发展弥补了传统故障诊断方法在处理非平稳信号时存在的不足,该深度模型能够通过RBM叠加,层层挖掘数据的内部特征,着重从噪声的抑制、信号的压缩与重建、故障特征可视化及故障类型的快速识别等方面,最大程度地减小滚动轴承故障诊断的复杂度。首先针对深度信念网络层数的随机确定引起的故障诊断精度下降问题,提出一种基于动态增添算法的隐含层层数确定方法,旨在通过误差与误差下降速率来完成对层数补偿,提高网络结构选择的智能化,保证深度信念网络在故障诊断过程中,始终以最简结构满足精度要求。之后按照逐层递减原则,设置模型的隐含层神经元节点数目,在提取信号高层特征的同时,实现信息的压缩简化,便于分类。其次,在深度信念网络有监督微调阶段,保留了传统深度架构所采用的BP算法,在进行参数空间优化时,每层的递推速度不可避免地要受到激活函数本身梯度的限制,导致训练难度和时长增加,且极易陷入局部最优解,致使网络的泛化性降低。针对上述问题,提出一种基于自适应学习率L-M DBN的优化算法,通过可变学习率实现对参数优化速度的调节。在迭代前期误差较大时,梯度较大,进而保证参数优化速度,提高模型灵敏度。后期随着迭代次数的增加,误差逐步降低,参数更新的速度放慢,以防止错过最优点,出现网络不收敛的情况,极大提高了深度信念网络训练的效率。最后分别从故障分离能力、稳定性与灵敏度等几个方面进行模型测试。通过与传统深度信念网络模型的诊断结果进行比较,验证了本文所提方法在保证较高学习效率的同时,能够有效避免模型过拟合现象的发生,且基于滚动轴承故障验证集的识别精度高达97.96%。
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33
【图文】：

减小滚动轴承故障诊断的难度。近些年来的研究成果表明故障识别技术，极大丰富轴承故障诊断的技术，能明确指检修，进而保证机械设备的正常运行。轴承的故障形式及特征轴承的结构及失效形式1-1 所示，滚动轴承（rolling bearing）包括四部分，分别是轴接触并随之转动的内圈；随轴旋转，减小摩擦阻力的滚间，均匀隔开滚动体，阻止滚动体之间磨损的保持架；滚相互配合，引导滚动轴承与轴接触过程中，保证机械设备的状与数量的滚动体决定滚动轴承使用性能以及使用年限。

疲劳剥落会造成轴承冲击载荷、振动与噪声的加剧。磨损失效滚动轴承运转时，因接触表面相互滑动而造成的磨损。外来杂质属元件损伤，持续下去就会引起元件尺寸及形状的变化，导致滚的降低，振动和噪声加大，出现轴承运转故障甚至卡死的现象。面塑性变形界作用力与温度的共同作用下，因轴承元件表面产生局部塑性流导致整个轴承运转异常的现象。轴承负荷过重或受较大冲击、杂质的进入都会加剧轴承的塑性变形。论是何种形式的失效，都会伴随着相应的振动与噪声的产生，滚件都有可能发生上述几种损伤现象，准确判断故障类型和位置就的主要内容，此过程中的振动信号就是故障的表征。滚动轴承的素引起，也可由轴承本身内部缺陷引起，也就是说，滚动轴承实是齿轮、轴承、轴、支撑座之间相互影响的结果，其表现形式十

滚子故障 141.17Hz滚子故障特征频率及其谐波分量隔是保持架的故障频率的边频带谐波分量表中rf 为轴承的转速，对时域振动信号进行傅里叶变换或希尔伯特变换频谱特征的主要手段。 滚动轴承的故障诊断方法研究现状滚动轴承工作性质致使其极易发生各种损伤，当损伤积累到一定的程度异常的振动信号，如果把运行机器看成是有生命的个体，轴承振动信号出的“求救信号”，其中包含着轴承故障的主要信息。随着振动信号的不断发展与完善，进一步扩大其在轴承故障诊断的应用。一般轴承故障以下环节：

【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 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

6 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

7 张海姣;基于熵理论的滚动轴承故障诊断方法研究[D];安徽大学;2019年

8 谷年龙;基于残差网络的机械滚动轴承故障诊断方法研究[D];武汉理工大学;2018年

9 穆旭明;基于小波变换和HHT的滚动轴承故障检测系统研究[D];哈尔滨理工大学;2018年

10 那晓栋;基于深度学习的变负载下滚动轴承故障诊断方法研究[D];哈尔滨理工大学;2018年

本文编号：2745017