基于深度学习的机械故障识别与状态评估研究
发布时间：2022-02-18 13:51
随着“工业4.0”、“中国制造2025”等战略的提出和推进,高端制造系统及智能机械设备的研究正在受到越来越多的重视。机械设备在实际生产中一旦出现故障而未被及时察觉,会造成严重的经济损失甚至安全事故,因此机械设备故障识别与状态评估的研究具有重要意义。本文以机械装备的关键零部件轴承为研究对象,基于现代信号分析方法、大数据处理、流形学习、深度学习等前沿技术和理论,沿着故障识别和状态评估这两条主线展开研究,主要完成了以下三个方面的研究内容:（1）分析了工程实际中机械设备振动信号的特点,提出从信号中提取11个时域特征、13个频域特征及14个小波包能量特征构成混合域高维特征集。针对高维特征集信息冗余、易造成“过拟合”、计算效率低等问题,提出运用流形学习算法将高维特征转换到低维空间。实例分析结果表明,流形学习方法能够不失真地将高维特征数据映射到低维空间,且更利于后续的计算分析。（2）分析了深度学习理论在各类模式识别问题中的优良性能及其存在的不足,引入深度置信网络（Deep Belief Network,DBN）到故障识别领域。针对DBN模型的不稳定、不确定性以及难以与实际问题建立对应的有效模型等问题...
【文章来源】：重庆大学重庆市211工程院校985工程院校教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 课题背景和研究意义
1.2 机械设备故障诊断国内外研究现状分析
1.2.1 特征提取与空间转换研究现状
1.2.2 基于机器学习的数据挖掘研究现状
1.2.3 机械设备故障诊断研究现状与分析
1.3 本文的结构安排
2 混合域特征提取及流形空间转换
2.1 信号预处理
2.2 混合域特征提取
2.2.1 时域、频域特征提取
2.2.2 小波包能量特征提取
2.3 基于流形学习的特征空间转换
2.3.1 流形学习特征转换概述
2.3.2 等距映射(Isomap)
2.3.3 主成分分析(PCA)
2.3.4 其他主要特征空间转换方法
2.3.5 转换效果比较
2.4 本章小结
3 基于SAA的DBN故障识别模型优化
3.1 深度置信网络(DBN)
3.1.1 DBN网络结构
3.1.2 DBN训练
3.2 DBN故障识别
3.2.1 DBN故障识别分析
3.2.2 DBN故障识别模型的建立
3.3 基于SAA的DBN网络结构优化
3.3.1 SAA算法
3.3.2 基于SAA的DBN优化过程
3.4 实验分析
3.4.1 实验及数据
3.4.2 实验分析及对比
3.5 本章小结
4 基于DBN自学习原始信号的状态评估研究
4.1 基于原始信号的状态评估研究分析
4.2 DBN状态评估
4.2.1 DBN自学习原始信号
4.2.2 DBN状态评估的实现
4.3 实验研究与对比
4.3.1 实验及数据
4.3.2 状态评估实验结果
4.3.3 对比实验及分析
4.4 本章小结
5 总结与展望
5.1 全文总结
5.2 主要创新点
5.3 研究展望
致谢
参考文献
附录
A.作者在攻读硕士学位期间发表的论文目录
B.作者在攻读硕士学位期间参与的科研项目目录
C.作者在攻读硕士学位期间所获得的奖励目录
【参考文献】：
期刊论文
[1]基于MDS和神经网络的滚动轴承故障诊断方法[J]. 马朝永,黄攀,胥永刚,付胜. 噪声与振动控制. 2017(04)
[2]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[3]相似性约束的深度置信网络在SAR图像目标识别的应用[J]. 丁军,刘宏伟,陈渤,冯博,王英华. 电子与信息学报. 2016(01)
[4]基于混合遗传模拟退火算法的SaaS构件优化放置[J]. 孟凡超,初佃辉,李克秋,周学权. 软件学报. 2016(04)
[5]基于多故障流形的旋转机械故障诊断[J]. 苏祖强,汤宝平,赵明航,秦毅. 振动工程学报. 2015(02)
[6]基于拉普拉斯特征映射的滚动轴承故障识别[J]. 黄宏臣,韩振南,张倩倩,李月仙,张志伟. 振动与冲击. 2015(05)
[7]中国装备制造业竞争力的制度分析[J]. 李怀,邵慰. 产业组织评论. 2014(04)
[8]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植. 模式识别与人工智能. 2014(04)
[9]基于改进EMD的输油管道泄漏信号特征提取方法研究[J]. 赵利强,王建林,于涛. 仪器仪表学报. 2013(12)
[10]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
博士论文
[1]模拟空间环境下滚动轴承寿命的振动谱表征与预测方法研究[D]. 张焱.重庆大学 2016
[2]混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究[D]. 赵转哲.东南大学 2016
[3]基于流形学习的旋转机械早期故障融合诊断方法研究[D]. 马婧华.重庆大学 2015
[4]信号小波理论与一体化小波分析仪的研究[D]. 秦毅.重庆大学 2008
硕士论文
[1]基于大数据模型深度玻尔兹曼机的压缩机组状态预测方法研究[D]. 王洋绅.中国石油大学(北京) 2016
[2]主流形学习及应用[D]. 王晓丹.复旦大学 2011
本文编号：3630952
【文章来源】：重庆大学重庆市211工程院校985工程院校教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 课题背景和研究意义
1.2 机械设备故障诊断国内外研究现状分析
1.2.1 特征提取与空间转换研究现状
1.2.2 基于机器学习的数据挖掘研究现状
1.2.3 机械设备故障诊断研究现状与分析
1.3 本文的结构安排
2 混合域特征提取及流形空间转换
2.1 信号预处理
2.2 混合域特征提取
2.2.1 时域、频域特征提取
2.2.2 小波包能量特征提取
2.3 基于流形学习的特征空间转换
2.3.1 流形学习特征转换概述
2.3.2 等距映射(Isomap)
2.3.3 主成分分析(PCA)
2.3.4 其他主要特征空间转换方法
2.3.5 转换效果比较
2.4 本章小结
3 基于SAA的DBN故障识别模型优化
3.1 深度置信网络(DBN)
3.1.1 DBN网络结构
3.1.2 DBN训练
3.2 DBN故障识别
3.2.1 DBN故障识别分析
3.2.2 DBN故障识别模型的建立
3.3 基于SAA的DBN网络结构优化
3.3.1 SAA算法
3.3.2 基于SAA的DBN优化过程
3.4 实验分析
3.4.1 实验及数据
3.4.2 实验分析及对比
3.5 本章小结
4 基于DBN自学习原始信号的状态评估研究
4.1 基于原始信号的状态评估研究分析
4.2 DBN状态评估
4.2.1 DBN自学习原始信号
4.2.2 DBN状态评估的实现
4.3 实验研究与对比
4.3.1 实验及数据
4.3.2 状态评估实验结果
4.3.3 对比实验及分析
4.4 本章小结
5 总结与展望
5.1 全文总结
5.2 主要创新点
5.3 研究展望
致谢
参考文献
附录
A.作者在攻读硕士学位期间发表的论文目录
B.作者在攻读硕士学位期间参与的科研项目目录
C.作者在攻读硕士学位期间所获得的奖励目录
【参考文献】：
期刊论文
[1]基于MDS和神经网络的滚动轴承故障诊断方法[J]. 马朝永,黄攀,胥永刚,付胜. 噪声与振动控制. 2017(04)
[2]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[3]相似性约束的深度置信网络在SAR图像目标识别的应用[J]. 丁军,刘宏伟,陈渤,冯博,王英华. 电子与信息学报. 2016(01)
[4]基于混合遗传模拟退火算法的SaaS构件优化放置[J]. 孟凡超,初佃辉,李克秋,周学权. 软件学报. 2016(04)
[5]基于多故障流形的旋转机械故障诊断[J]. 苏祖强,汤宝平,赵明航,秦毅. 振动工程学报. 2015(02)
[6]基于拉普拉斯特征映射的滚动轴承故障识别[J]. 黄宏臣,韩振南,张倩倩,李月仙,张志伟. 振动与冲击. 2015(05)
[7]中国装备制造业竞争力的制度分析[J]. 李怀,邵慰. 产业组织评论. 2014(04)
[8]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植. 模式识别与人工智能. 2014(04)
[9]基于改进EMD的输油管道泄漏信号特征提取方法研究[J]. 赵利强,王建林,于涛. 仪器仪表学报. 2013(12)
[10]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
博士论文
[1]模拟空间环境下滚动轴承寿命的振动谱表征与预测方法研究[D]. 张焱.重庆大学 2016
[2]混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究[D]. 赵转哲.东南大学 2016
[3]基于流形学习的旋转机械早期故障融合诊断方法研究[D]. 马婧华.重庆大学 2015
[4]信号小波理论与一体化小波分析仪的研究[D]. 秦毅.重庆大学 2008
硕士论文
[1]基于大数据模型深度玻尔兹曼机的压缩机组状态预测方法研究[D]. 王洋绅.中国石油大学(北京) 2016
[2]主流形学习及应用[D]. 王晓丹.复旦大学 2011
本文编号：3630952
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3630952.html
