基于深度特征学习的振动状态识别方法

发布时间：2021-06-29 19:17

　　针对基于信号处理技术的故障诊断方法需要依赖人工特征提取和专家的知识,以及基于传统机器学习理论下的故障诊断方法学习深度不足、特征提取困难等问题,提出了基于深度特征学习的振动状态识别方法。该方法以深度神经网络（Deep Neural Networks,DNN）为基础,以一维数据结构为处理对象,能够深层次的、自适应的提取振动信号特征,学习信号的特征表示,实现特征提取和状态识别过程的统一。同时,该方法能端到端进行故障诊断,是一种智能的故障诊断方法。首先,提出了基于一维卷积神经网络（Convolutional Neural Networks,CNNs）的转子故障诊断方法。该方法振动信号的一维向量输入到一维CNN进行分析,利用CNN强大的特征学习和提取能力,从原始振动信号中深度学习不同故障状态的特征,并最终实现信号状态的识别。其次,针对实际故障中振动信号成分复杂、非线性、非平稳性强等影响深度学习效果的问题,将HVD方法和多特征信息融合技术引入到振动信号的深度学习过程中,提出了基于VCNN多特征融合学习的转子故障诊断方法。该方法首先对多个传感器采集的振动信号进行HVD分解得到各阶模态分量,然后将其融... 

【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

转子试验台通过试验模拟转子不平衡、不对中、油膜涡动、碰摩4类故障

转子试验台同时采集4个传感器在不平衡、不对中、油膜涡动、碰摩4类故障下的振动信

VCNN不同层级信号可视化表示

【参考文献】：
期刊论文
[1]基于卷积神经网络的层级化智能故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  控制与决策. 2019(12)
[2]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)
[3]基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断[J]. 王友仁,王俊,黄海安.  中国机械工程. 2018(14)
[4]基于云PSO-SVM的汽轮机转子故障诊断研究[J]. 石志标,陈长河,曹丽华.  热能动力工程. 2018(06)
[5]用于转子故障诊断的改进小波聚类算法[J]. 左红艳,刘晓波,洪连环.  振动.测试与诊断. 2018(02)
[6]基于模糊神经网络的智能故障诊断专家系统[J]. 司景萍,马继昌,牛家骅,王二毛.  振动与冲击. 2017(04)
[7]基于HVD的振动故障诊断方法研究[J]. 朱霄珣,徐搏超,焦宏超,韩中合.  汽轮机技术. 2016(04)
[8]基于卷积神经网络的时频图像识别研究[J]. 曾雪琼,黎杰.  机械与电子. 2016(05)
[9]基于小波包去噪的循环自相关方法在轴承故障诊断中的应用[J]. 朱琳,李贵子,雷小亚,柴世文.  机械制造与自动化. 2016(02)
[10]基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断[J]. 张云强,张培林,吴定海,李兵.  振动与冲击. 2015(09)

博士论文
[1]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013



本文编号：3257007