基于深度学习的齿轮箱故障诊断研究
发布时间：2022-02-15 11:45
机械设备在工业社会起着不可被替代的作用,当机械设备发生故障时,将会引发重大的事故,对人员与经济造成不可挽回的损失。因此对机械设备进行故障诊断与状态监测具有十分重要的意义。齿轮箱作为机械设备的重要组成部分,对齿轮箱的故障诊断也有着十分重要的意义。在齿轮箱故障诊断与状态监测过程中,决定着故障诊断精确度的因素是特征提取,传统的故障诊断方法主要是依据人工提取特征,将被提取出的特征输入浅层学习网络进行故障识别,从而完成故障诊断。但是传统的故障诊断方法过于依靠专家的经验,人为因素过多。同时机械设备的齿轮箱故障诊断与状态监测又面临着大数据的问题。传统的故障诊断方法就显得力不从心。本文将针对以上问题,以实现大数据环境下齿轮箱智能化精确的故障诊断为目标,深度学习中的堆叠自动编码机与卷积神经网络为研究手段,完成以下工作:（1）研究浅层学习与深度学习结构的特点,深度学习与浅层学习之间的联系与区别。（2）研究堆叠自动编码机网络的工作原理并设计一个堆叠自动编码机网络,将其与总体局部均值分解方法,粒子群优化算法相结合进行齿轮箱故障诊断研究。本研究方案在实验中得到了94.2%的准确率。（3）构建不同深度的堆叠自动编...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
DBN构架及训练过程
多个自动编码器堆叠构成了一个完整 SAE模型，其中将前一个自动编码器的隐含层数据作为与其相连的下一个自动编码器的输入层，其结构如图2.3 所示。图2.3 堆叠自动编码机SAE 架构在网络训练过程中，训练每个自动编码器并寻找其中最优权值(W)与偏置(b)，使得输出的重构数据与实际输入数据之间误差值最小。其中计算重构误差的函数通常使用交叉熵损失函数，将重构误差函数定义为式2.1。
的数据组合音，文本中连续多个字符组合成一句有含义的句子。经网络目前已经在语音识别、自然语言处理等领域取得巨大的成功和说，设计RNN 的目的，就是让神经网络可以处理序列化数据。一个句子，想在看到前面几个词时，预测下一个词是什么。因为句子立的，而是有联系的，所以当前的输出结构不但和当前的输入有关，输入有关，这就需要网络可以记忆前面的信息并且用于当前的输出计出了在隐含层单元的输入中除了有前面一层节点的输出外，还要有本点的输出，让前面时间处理的信息始终留在系统中。2.4 是一个循环神经网络节点的图示。A 是神经节点，Xt 是输入数据输出 ht不仅可以作为输出，还可以作为下一个时刻的输入。在时刻 0，A 的输入是 X0，输出隐含层状态是 h0；在时刻 1，A 的输隐含层状态是 h1；在时刻 2，A 的输入是 X2 和 h1，输出隐含层状态A 的输入是 X3和h2,输出隐含层状态是 h3；以此类推直到网络结束。
【参考文献】：
期刊论文
[1]基于深度学习的飞行器智能故障诊断方法[J]. 姜洪开,邵海东,李兴球. 机械工程学报. 2019(07)
[2]基于一维卷积神经网络的齿轮箱故障诊断[J]. 吴春志,江鹏程,冯辅周,陈汤,陈祥龙. 振动与冲击. 2018(22)
[3]ELMD熵特征融合与PSO-SVM在齿轮故障诊断中的应用[J]. 何园园,张超,朱腾飞. 机械科学与技术. 2019(02)
[4]基于ReliefF算法和相关度计算结合的故障特征降维方法及其应用[J]. 姜万录,王友荣,王振威,朱勇. 液压与气动. 2015(12)
[5]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[6]可容错的遥控水下机器人递归神经网络控制[J]. 姜述强,金鸿章,魏凤梅. 哈尔滨工业大学学报. 2013(09)
[7]行星齿轮箱齿轮分布式故障振动频谱特征[J]. 冯志鹏,褚福磊. 中国电机工程学报. 2013(02)
[8]基于多标签ReliefF的特征选择算法[J]. 黄莉莉,汤进,孙登第,罗斌. 计算机应用. 2012(10)
[9]基于PCA和SVM的内燃机故障诊断[J]. 刘永斌,何清波,孔凡让,张平. 振动.测试与诊断. 2012(02)
[10]进化Elman神经网络在实时数据预测中的应用[J]. 王晓霞,马良玉,王兵树,王涛. 电力自动化设备. 2011(12)
博士论文
[1]复杂工况下风力发电机组关键部件故障分析与诊断研究[D]. 孙鲜明.沈阳工业大学 2014
[2]直升机传动系统状态增强检测的随机共振理论与方法研究[D]. 张晓飞.国防科学技术大学 2013
[3]基于数据驱动的行星齿轮箱故障诊断方法研究[D]. 刘志亮.电子科技大学 2013
[4]大型风电机组传动系统状态退化的振动特征研究[D]. 谷泉.沈阳工业大学 2013
[5]柴油机振动信号特征提取与故障诊断方法研究[D]. 李敏通.西北农林科技大学 2012
[6]风电机组振动监测与故障诊断研究[D]. 刘文艺.重庆大学 2010
[7]滤波方法及其在非线性系统故障诊断中的应用研究[D]. 葛哲学.国防科学技术大学 2006
[8]直升机旋转部件故障特征提取的高阶统计量方法研究[D]. 陈仲生.国防科学技术大学 2004
硕士论文
[1]基于SVM的气阀故障诊断研究[D]. 马嘉俊.电子科技大学 2016
[2]风电齿轮早期故障预警与诊断的研究[D]. 徐天金.华北电力大学 2014
[3]风力发电机组发电机和齿轮箱故障诊断方法研究[D]. 甄立敬.华北电力大学 2014
本文编号：3626573
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
DBN构架及训练过程
多个自动编码器堆叠构成了一个完整 SAE模型，其中将前一个自动编码器的隐含层数据作为与其相连的下一个自动编码器的输入层，其结构如图2.3 所示。图2.3 堆叠自动编码机SAE 架构在网络训练过程中，训练每个自动编码器并寻找其中最优权值(W)与偏置(b)，使得输出的重构数据与实际输入数据之间误差值最小。其中计算重构误差的函数通常使用交叉熵损失函数，将重构误差函数定义为式2.1。
的数据组合音，文本中连续多个字符组合成一句有含义的句子。经网络目前已经在语音识别、自然语言处理等领域取得巨大的成功和说，设计RNN 的目的，就是让神经网络可以处理序列化数据。一个句子，想在看到前面几个词时，预测下一个词是什么。因为句子立的，而是有联系的，所以当前的输出结构不但和当前的输入有关，输入有关，这就需要网络可以记忆前面的信息并且用于当前的输出计出了在隐含层单元的输入中除了有前面一层节点的输出外，还要有本点的输出，让前面时间处理的信息始终留在系统中。2.4 是一个循环神经网络节点的图示。A 是神经节点，Xt 是输入数据输出 ht不仅可以作为输出，还可以作为下一个时刻的输入。在时刻 0，A 的输入是 X0，输出隐含层状态是 h0；在时刻 1，A 的输隐含层状态是 h1；在时刻 2，A 的输入是 X2 和 h1，输出隐含层状态A 的输入是 X3和h2,输出隐含层状态是 h3；以此类推直到网络结束。
【参考文献】：
期刊论文
[1]基于深度学习的飞行器智能故障诊断方法[J]. 姜洪开,邵海东,李兴球. 机械工程学报. 2019(07)
[2]基于一维卷积神经网络的齿轮箱故障诊断[J]. 吴春志,江鹏程,冯辅周,陈汤,陈祥龙. 振动与冲击. 2018(22)
[3]ELMD熵特征融合与PSO-SVM在齿轮故障诊断中的应用[J]. 何园园,张超,朱腾飞. 机械科学与技术. 2019(02)
[4]基于ReliefF算法和相关度计算结合的故障特征降维方法及其应用[J]. 姜万录,王友荣,王振威,朱勇. 液压与气动. 2015(12)
[5]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[6]可容错的遥控水下机器人递归神经网络控制[J]. 姜述强,金鸿章,魏凤梅. 哈尔滨工业大学学报. 2013(09)
[7]行星齿轮箱齿轮分布式故障振动频谱特征[J]. 冯志鹏,褚福磊. 中国电机工程学报. 2013(02)
[8]基于多标签ReliefF的特征选择算法[J]. 黄莉莉,汤进,孙登第,罗斌. 计算机应用. 2012(10)
[9]基于PCA和SVM的内燃机故障诊断[J]. 刘永斌,何清波,孔凡让,张平. 振动.测试与诊断. 2012(02)
[10]进化Elman神经网络在实时数据预测中的应用[J]. 王晓霞,马良玉,王兵树,王涛. 电力自动化设备. 2011(12)
博士论文
[1]复杂工况下风力发电机组关键部件故障分析与诊断研究[D]. 孙鲜明.沈阳工业大学 2014
[2]直升机传动系统状态增强检测的随机共振理论与方法研究[D]. 张晓飞.国防科学技术大学 2013
[3]基于数据驱动的行星齿轮箱故障诊断方法研究[D]. 刘志亮.电子科技大学 2013
[4]大型风电机组传动系统状态退化的振动特征研究[D]. 谷泉.沈阳工业大学 2013
[5]柴油机振动信号特征提取与故障诊断方法研究[D]. 李敏通.西北农林科技大学 2012
[6]风电机组振动监测与故障诊断研究[D]. 刘文艺.重庆大学 2010
[7]滤波方法及其在非线性系统故障诊断中的应用研究[D]. 葛哲学.国防科学技术大学 2006
[8]直升机旋转部件故障特征提取的高阶统计量方法研究[D]. 陈仲生.国防科学技术大学 2004
硕士论文
[1]基于SVM的气阀故障诊断研究[D]. 马嘉俊.电子科技大学 2016
[2]风电齿轮早期故障预警与诊断的研究[D]. 徐天金.华北电力大学 2014
[3]风力发电机组发电机和齿轮箱故障诊断方法研究[D]. 甄立敬.华北电力大学 2014
本文编号：3626573
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3626573.html
