基于深度学习理论的机械故障诊断技术研究
发布时间：2020-12-14 00:44
在智能制造、大数据的工业背景下,如何利用制造系统中问题的发生和解决过程中产生的大数据显得尤为重要,如何利用大数据去推动智能制造的发展也越来越关键。装备、维护均属于智能制造的核心要素,并且过去三次的工业革命也都有围绕这两个核心要素进行技术升级。生产系统的正常运转需要可靠的机械设备健康管理系统来做指导,但生产系统的隐患会导致不同的故障类型,而不同的故障类型给生产系统所造成的影响不同,在深度学习的基础上如何利用工业数据提高对机械零部件故障诊断的识别分类精度是本文的研究重点。首先研究了如何用快速傅里叶变换使振动信号的时域信号转换到频域信号,并且提取跟振动信号有较强关联的、可被量化的、有效的健康特征,在振动信号中加入了高斯噪声提高了故障诊断模型中神经网络的泛化性。针对工业环境采集的低信噪比的数据,提出用最大重叠离散小波变换来对振动信号进行降噪,并得出快速谱峭度图,该方法可以减少神经网络模型的参数,在提高了模型诊断精度的同时也加快了神经网络的收敛速度。通过对神经网络的研究,基于深度学习tensorflow的框架搭建了神经网络,利用快速傅里叶变换来得到的特征指标来作为神经网络的输入,该模型在凯斯西储...
【文章来源】：贵州大学贵州省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
机械故障分布图
所以本次论文研究相关实验也采用 CWRU 数据集[30]。实验平台（图2.1）由测力测量器、编码器、扭矩传感器、2 马力的电动机四部分组成，通过振动信号采集装置加速度传感器来获取滚动轴承的状态信息，加速度传感器的安装位置通常安装在电机壳驱动端或风扇端轴承座的正 12 点位置。图 2.1 实验平台滚动轴承内部结构与轴承故障位置示意图如下：图 2.2 轴承故障图中 2.2 所示为该实验平台中滚动轴承状态中的四大类轴承状态：正常、滚动体故障、外圈故障、内圈故障。轴承故障通过电火花的加工来得到外圈、内圈以及滚动体上的点蚀故障，该故障数据集的轴承损伤直径根据故障深度划分为三个等级：0.007inch=7mils=0.1778mm,0.014inch=14mils=0.3556mm,0.021inch=21mils=0.5334mm用来采集故障轴承的振动加速度信号的加速度传感器布置在电动机风扇端和驱动端的轴承座的上。在轴承座的 12 点钟方向吸附着用来采集振动信号的加速度传感
凯斯西储大学轴承中心轴承故障诊断的数据集（CWRU）是目前最有权威性的公开数据集之一，所以本次论文研究相关实验也采用 CWRU 数据集[30]。实验平台（图2.1）由测力测量器、编码器、扭矩传感器、2 马力的电动机四部分组成，通过振动信号采集装置加速度传感器来获取滚动轴承的状态信息，加速度传感器的安装位置通常安装在电机壳驱动端或风扇端轴承座的正 12 点位置。图 2.1 实验平台滚动轴承内部结构与轴承故障位置示意图如下：
【参考文献】：
期刊论文
[1]基于FFT与CS-SVM的滚动轴承故障诊断[J]. 解晓婷,李少波,杨观赐,刘国凯,姚雪梅. 组合机床与自动化加工技术. 2019(04)
[2]基于特征提取与识别两阶段的汽车电机轴承故障诊断[J]. 李远军,孙继炫. 电子测量与仪器学报. 2019(02)
[3]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[4]基于自参考自适应消噪的行星轮轴承内圈故障特征提取[J]. 贺东台,郭瑜,伍星,刘志琦,赵磊. 振动与冲击. 2018(17)
[5]EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用[J]. 李红,孙冬梅,沈玉成. 机床与液压. 2018(13)
[6]基于时域同步平均与分离技术的齿轮箱振动信号混沌特性验证[J]. 李杰,赵建民. 机械传动. 2018(07)
[7]基于深度卷积网络的电熔镁炉欠烧工况在线识别[J]. 卢绍文,王克栋,吴志伟,李鹏琦,郭章. 控制与决策. 2019(07)
[8]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春. 智能系统学报. 2018(01)
[9]基于小波消噪和优化支持向量机的板形模式识别[J]. 吴忠强,康晓华,于丹琦. 中国机械工程. 2018(01)
[10]基于SVD优化LMD的电梯导靴振动信号故障特征提取[J]. 陶然,许有才,邓方华,郭澍,李新仕,苟敏,李琨,王华. 振动与冲击. 2017(22)
博士论文
[1]基于循环平稳信号处理的滚动轴承故障诊断方法研究[D]. 周福昌.上海交通大学 2006
硕士论文
[1]风光储能电站数据分析与评价模型研究[D]. 魏娅.北方工业大学 2016
[2]智能倒频谱及其在故障诊断中的应用研究[D]. 郭艳均.郑州大学 2015
[3]基于布谷鸟算法的铝热连轧轧制规程优化[D]. 陈伟明.燕山大学 2014
[4]基于EMD的滚动轴承故障诊断方法的研究[D]. 陆小明.苏州大学 2012
[5]高速牵引电机轴承试验与测试研究[D]. 陈东雷.北京交通大学 2009
[6]旋转机械故障特征提取技术及其系统研究[D]. 张韧.浙江大学 2004
本文编号：2915483
【文章来源】：贵州大学贵州省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
机械故障分布图
所以本次论文研究相关实验也采用 CWRU 数据集[30]。实验平台（图2.1）由测力测量器、编码器、扭矩传感器、2 马力的电动机四部分组成，通过振动信号采集装置加速度传感器来获取滚动轴承的状态信息，加速度传感器的安装位置通常安装在电机壳驱动端或风扇端轴承座的正 12 点位置。图 2.1 实验平台滚动轴承内部结构与轴承故障位置示意图如下：图 2.2 轴承故障图中 2.2 所示为该实验平台中滚动轴承状态中的四大类轴承状态：正常、滚动体故障、外圈故障、内圈故障。轴承故障通过电火花的加工来得到外圈、内圈以及滚动体上的点蚀故障，该故障数据集的轴承损伤直径根据故障深度划分为三个等级：0.007inch=7mils=0.1778mm,0.014inch=14mils=0.3556mm,0.021inch=21mils=0.5334mm用来采集故障轴承的振动加速度信号的加速度传感器布置在电动机风扇端和驱动端的轴承座的上。在轴承座的 12 点钟方向吸附着用来采集振动信号的加速度传感
凯斯西储大学轴承中心轴承故障诊断的数据集（CWRU）是目前最有权威性的公开数据集之一，所以本次论文研究相关实验也采用 CWRU 数据集[30]。实验平台（图2.1）由测力测量器、编码器、扭矩传感器、2 马力的电动机四部分组成，通过振动信号采集装置加速度传感器来获取滚动轴承的状态信息，加速度传感器的安装位置通常安装在电机壳驱动端或风扇端轴承座的正 12 点位置。图 2.1 实验平台滚动轴承内部结构与轴承故障位置示意图如下：
【参考文献】：
期刊论文
[1]基于FFT与CS-SVM的滚动轴承故障诊断[J]. 解晓婷,李少波,杨观赐,刘国凯,姚雪梅. 组合机床与自动化加工技术. 2019(04)
[2]基于特征提取与识别两阶段的汽车电机轴承故障诊断[J]. 李远军,孙继炫. 电子测量与仪器学报. 2019(02)
[3]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[4]基于自参考自适应消噪的行星轮轴承内圈故障特征提取[J]. 贺东台,郭瑜,伍星,刘志琦,赵磊. 振动与冲击. 2018(17)
[5]EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用[J]. 李红,孙冬梅,沈玉成. 机床与液压. 2018(13)
[6]基于时域同步平均与分离技术的齿轮箱振动信号混沌特性验证[J]. 李杰,赵建民. 机械传动. 2018(07)
[7]基于深度卷积网络的电熔镁炉欠烧工况在线识别[J]. 卢绍文,王克栋,吴志伟,李鹏琦,郭章. 控制与决策. 2019(07)
[8]群智能算法优化支持向量机参数综述[J]. 李素,袁志高,王聪,陈天恩,郭兆春. 智能系统学报. 2018(01)
[9]基于小波消噪和优化支持向量机的板形模式识别[J]. 吴忠强,康晓华,于丹琦. 中国机械工程. 2018(01)
[10]基于SVD优化LMD的电梯导靴振动信号故障特征提取[J]. 陶然,许有才,邓方华,郭澍,李新仕,苟敏,李琨,王华. 振动与冲击. 2017(22)
博士论文
[1]基于循环平稳信号处理的滚动轴承故障诊断方法研究[D]. 周福昌.上海交通大学 2006
硕士论文
[1]风光储能电站数据分析与评价模型研究[D]. 魏娅.北方工业大学 2016
[2]智能倒频谱及其在故障诊断中的应用研究[D]. 郭艳均.郑州大学 2015
[3]基于布谷鸟算法的铝热连轧轧制规程优化[D]. 陈伟明.燕山大学 2014
[4]基于EMD的滚动轴承故障诊断方法的研究[D]. 陆小明.苏州大学 2012
[5]高速牵引电机轴承试验与测试研究[D]. 陈东雷.北京交通大学 2009
[6]旋转机械故障特征提取技术及其系统研究[D]. 张韧.浙江大学 2004
本文编号：2915483
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2915483.html
