免疫自适应的深度卷积神经网络故障诊断应用研究
发布时间：2021-11-04 11:27
滚动轴承是机械设备的关键部件,对其进行的智能故障诊断技术已有许多应用,但仍然存在许多不足之处。滚动轴承时域和频域信号包含了其运行状态的重要信息,在基于振动信号特征提取的滚动轴承故障诊断算法模型中,首先对振动信号进行预处理和特征提取,然后输入分类器进行故障分类,这类故障诊断方法在特征提取时依赖人为经验选择,进而导致特征提取不全面、不充分的问题。本文把深度卷积神经网络和抗体免疫引入滚动轴承故障诊断领域,提出了一种免疫自适应的深度卷积神经网络滚动轴承故障诊断模型,利用深度卷积神经网络自适应的提取滚动轴承时域和频域信号特征,实现从原始数据到诊断结果的直接映射,使故障诊断过程更加的智能化,减少了人为因素的干扰。深度学习在滚动轴承故障领域已有应用,主要是针对已知故障的识别,在出现未知故障时无法进行自适应调整,必须重新训练模型,导致出现模型自适应能力差的问题。本文在滚动轴承出现未知故障时,把深度卷积神经网络作为特征提取器,利用免疫自学习特性生成未知故障检测器,用于该故障类型再次出现时进行快速诊断,实现未知故障的识别。针对自适应算法模型检测和学习时间长,故障诊断实时性的要求,提出了一种基于深度卷积神经...
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.3 目前研究存在的问题
1.4 论文研究的主要内容
1.5 论文整体结构框架
第二章 相关理论技术介绍
2.1 故障诊断技术
2.1.1 时域分析技术
2.1.2 时频分析技术
2.2 人工免疫算法
2.2.1 免疫特性
2.2.2 克隆选择算法
2.3 深度学习理论
2.3.1 深度置信网络原理
2.3.2 卷积神经网络原理
2.4 本章小结
第三章 自适应的DCNN故障诊断模型
3.1 Sel-DCNN模型整体架构
3.2 DCNN故障诊断模型构建和训练
3.2.1 DCNN故障诊断模型参数选择
3.2.2 DCNN输入时域和频域信号大小选择
3.2.3 DCNN时域和频域故障诊断模型设计
3.2.4 DCNN模型训练
3.3 故障诊断
3.3.1 已知故障诊断
3.3.2 未知故障诊断
3.4 未知故障学习
3.4.1 免疫组件定义
3.4.2 抗体免疫学习
3.5 自适应DCNN检测
3.6 本章小结
第四章 基于DCNN分组克隆策略的快速故障诊断模型
4.1 DCNN-GCS策略的故障诊断模型
4.2 故障检测
4.2.1 结果可靠性评估
4.2.2 故障确定性检测
4.3 分组克隆策略在线学习
4.3.1 基本组件定义
4.3.2 分组克隆规则
4.3.3 连续区域变异操作
4.3.4 在线学习
4.4 DCNN分组克隆策略模型
4.5 本章小结
第五章 实验设计与分析
5.1 实验开发环境
5.2 数据来源和预处理
5.3 实验评价指标
5.4 实验主要内容
5.4.1 DCNN模型训练过程
5.4.2 Sel-DCNN诊断结果与分析
5.4.3 DCNN-GCS诊断结果与分析
5.4.4 深度卷积相关算法模型对比
5.4.5 算法模型检测效率对比
5.5 DCNN特征提取有效性验证
5.5.1 DCNN与特征提取技术对比
5.5.2 DCNN与深度置信网络对比
5.6 故障程度评估和自适应能力
5.6.1 DCNN故障程度评估
5.6.2 环境突变自适应能力
5.7 多监测点诊断实验
5.8 实时监测诊断
5.9 本章小结
第六章 总结与展望
参考文献
致谢
攻读硕士期间发表论文
【参考文献】：
期刊论文
[1]基于堆叠稀疏自编码的滚动轴承故障诊断[J]. 侯荣涛,周子贤,赵晓平,谢阳阳,王丽华. 轴承. 2018(03)
[2]基于DGA和深度置信网络的变压器内部故障诊断[J]. 姜有泉,黄良,王波,赵立进,吕黔苏,杨涛,吴建蓉. 武汉大学学报(工学版). 2017(05)
[3]采用深度学习的异步电机故障诊断方法[J]. 王丽华,谢阳阳,张永宏,赵晓平,周子贤. 西安交通大学学报. 2017(10)
[4]基于卷积神经网络的变压器故障诊断方法[J]. 贾京龙,余涛,吴子杰,程小华. 电测与仪表. 2017(13)
[5]An algorithm to remove noise from locomotive bearing vibration signal based on self-adaptive EEMD filter[J]. 王春生,沙春阳,粟梅,胡玉坤. Journal of Central South University. 2017(02)
[6]基于EEMD和模糊BP神经网络的滚动轴承故障诊断[J]. 张国银,王雪,王海瑞,郝家骥,宋怡然. 化工自动化及仪表. 2017(01)
[7]基于小波包和PSO-Elman神经网络的滚动轴承故障诊断[J]. 杨伟力,于阳阳,罗达灿. 机械与电子. 2016(05)
[8]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼. 振动工程学报. 2016(02)
[9]基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J]. 程声烽,程小华,杨露. 电力系统保护与控制. 2014(19)
[10]基于神经网络与小波变换的滚动轴承故障诊断[J]. 胡耀斌,谢静,胡良斌. 机械设计与研究. 2013(06)
博士论文
[1]基于多路传感器信息融合的旋转机械故障诊断方法研究[D]. 许同乐.北京邮电大学 2012
[2]基于EMD的机械振动分析与诊断方法研究[D]. 曹冲锋.浙江大学 2009
硕士论文
[1]基于LabVIEW的电机滚动轴承故障诊断系统的研究与实现[D]. 陈明星.安徽工业大学 2017
[2]基于堆栈降噪自编码的轴承故障诊断方法研究[D]. 胡俊.华东交通大学 2017
[3]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[4]基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究[D]. 俞昆.青岛理工大学 2016
[5]基于机器学习的滚动轴承故障识别研究[D]. 陈春旭.中国矿业大学 2016
[6]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016
[7]基于深度学习的变压器故障诊断技术研究[D]. 石鑫.华北电力大学 2016
[8]人工免疫系统在旋转机械故障诊断中的应用[D]. 周丽华.北京理工大学 2016
[9]综合传动倒档齿轮异响检测技术研究[D]. 叶硼林.北京理工大学 2015
[10]基于小波包分解和希尔伯特黄变换的滚动轴承故障诊断[D]. 熊星.中国科学技术大学 2014
本文编号：3475633
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.3 目前研究存在的问题
1.4 论文研究的主要内容
1.5 论文整体结构框架
第二章 相关理论技术介绍
2.1 故障诊断技术
2.1.1 时域分析技术
2.1.2 时频分析技术
2.2 人工免疫算法
2.2.1 免疫特性
2.2.2 克隆选择算法
2.3 深度学习理论
2.3.1 深度置信网络原理
2.3.2 卷积神经网络原理
2.4 本章小结
第三章 自适应的DCNN故障诊断模型
3.1 Sel-DCNN模型整体架构
3.2 DCNN故障诊断模型构建和训练
3.2.1 DCNN故障诊断模型参数选择
3.2.2 DCNN输入时域和频域信号大小选择
3.2.3 DCNN时域和频域故障诊断模型设计
3.2.4 DCNN模型训练
3.3 故障诊断
3.3.1 已知故障诊断
3.3.2 未知故障诊断
3.4 未知故障学习
3.4.1 免疫组件定义
3.4.2 抗体免疫学习
3.5 自适应DCNN检测
3.6 本章小结
第四章 基于DCNN分组克隆策略的快速故障诊断模型
4.1 DCNN-GCS策略的故障诊断模型
4.2 故障检测
4.2.1 结果可靠性评估
4.2.2 故障确定性检测
4.3 分组克隆策略在线学习
4.3.1 基本组件定义
4.3.2 分组克隆规则
4.3.3 连续区域变异操作
4.3.4 在线学习
4.4 DCNN分组克隆策略模型
4.5 本章小结
第五章 实验设计与分析
5.1 实验开发环境
5.2 数据来源和预处理
5.3 实验评价指标
5.4 实验主要内容
5.4.1 DCNN模型训练过程
5.4.2 Sel-DCNN诊断结果与分析
5.4.3 DCNN-GCS诊断结果与分析
5.4.4 深度卷积相关算法模型对比
5.4.5 算法模型检测效率对比
5.5 DCNN特征提取有效性验证
5.5.1 DCNN与特征提取技术对比
5.5.2 DCNN与深度置信网络对比
5.6 故障程度评估和自适应能力
5.6.1 DCNN故障程度评估
5.6.2 环境突变自适应能力
5.7 多监测点诊断实验
5.8 实时监测诊断
5.9 本章小结
第六章 总结与展望
参考文献
致谢
攻读硕士期间发表论文
【参考文献】：
期刊论文
[1]基于堆叠稀疏自编码的滚动轴承故障诊断[J]. 侯荣涛,周子贤,赵晓平,谢阳阳,王丽华. 轴承. 2018(03)
[2]基于DGA和深度置信网络的变压器内部故障诊断[J]. 姜有泉,黄良,王波,赵立进,吕黔苏,杨涛,吴建蓉. 武汉大学学报(工学版). 2017(05)
[3]采用深度学习的异步电机故障诊断方法[J]. 王丽华,谢阳阳,张永宏,赵晓平,周子贤. 西安交通大学学报. 2017(10)
[4]基于卷积神经网络的变压器故障诊断方法[J]. 贾京龙,余涛,吴子杰,程小华. 电测与仪表. 2017(13)
[5]An algorithm to remove noise from locomotive bearing vibration signal based on self-adaptive EEMD filter[J]. 王春生,沙春阳,粟梅,胡玉坤. Journal of Central South University. 2017(02)
[6]基于EEMD和模糊BP神经网络的滚动轴承故障诊断[J]. 张国银,王雪,王海瑞,郝家骥,宋怡然. 化工自动化及仪表. 2017(01)
[7]基于小波包和PSO-Elman神经网络的滚动轴承故障诊断[J]. 杨伟力,于阳阳,罗达灿. 机械与电子. 2016(05)
[8]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼. 振动工程学报. 2016(02)
[9]基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J]. 程声烽,程小华,杨露. 电力系统保护与控制. 2014(19)
[10]基于神经网络与小波变换的滚动轴承故障诊断[J]. 胡耀斌,谢静,胡良斌. 机械设计与研究. 2013(06)
博士论文
[1]基于多路传感器信息融合的旋转机械故障诊断方法研究[D]. 许同乐.北京邮电大学 2012
[2]基于EMD的机械振动分析与诊断方法研究[D]. 曹冲锋.浙江大学 2009
硕士论文
[1]基于LabVIEW的电机滚动轴承故障诊断系统的研究与实现[D]. 陈明星.安徽工业大学 2017
[2]基于堆栈降噪自编码的轴承故障诊断方法研究[D]. 胡俊.华东交通大学 2017
[3]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[4]基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究[D]. 俞昆.青岛理工大学 2016
[5]基于机器学习的滚动轴承故障识别研究[D]. 陈春旭.中国矿业大学 2016
[6]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016
[7]基于深度学习的变压器故障诊断技术研究[D]. 石鑫.华北电力大学 2016
[8]人工免疫系统在旋转机械故障诊断中的应用[D]. 周丽华.北京理工大学 2016
[9]综合传动倒档齿轮异响检测技术研究[D]. 叶硼林.北京理工大学 2015
[10]基于小波包分解和希尔伯特黄变换的滚动轴承故障诊断[D]. 熊星.中国科学技术大学 2014
本文编号：3475633
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3475633.html
