基于卷积神经网络的螺栓松紧状态智能监测方法研究

发布时间：2022-07-08 13:04

　　螺栓连接具有承载能力强、便于维护和更换等特点,但由于螺栓的可拆卸性使螺栓连接结构工作时常常会发生松动故障。螺栓连接松动故障不仅会影响机构的正常使用,缩短使用寿命,甚至会造成人员伤亡事故。为了避免灾难性后果,对螺栓装配紧度进行在线监测及评估显得尤为重要。卷积神经网络在轴承、齿轮等机械零件的智能诊断中取得了良好效果,然而,基于卷积神经网络的智能机械故障诊断研究未充分关注不同深度的卷积神经网络模型在多传感器信号上的性能。在本文中,我们提出了一系列基于卷积神经网络的算法来学习多个传感器采集到的激励响应信号数据的特征,并诊断螺栓连接结构的松紧状况。本文首先提出了具有两层卷积层的卷积神经网络,对1维原始机械信号进行状态监测。在车架试验台螺栓连接转子激振试验数据上训练该模型,识别率可以达到97%以上。由于深层卷积神经网络（DCNN）相比浅层CNN在没有先验知识的情况下从激励响应信号中挖掘代表信息和敏感特征的能力更强,因此本文提出了一种DCNN模型。DCNN具备特征提取、特征选择和分类的能力,能够将原始数据作为输入,并提供辨识结果作为输出。还研究了网络架构的不同参数和配置对网络性能的影响。为了对不同传... 

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 螺栓连接松紧状态监测方法研究现状及分析
        1.2.1 依据物理特性变化的判别方法
        1.2.2 依据物理现象差异的判别方法
        1.2.3 依据振动信号特性变化的判别方法
    1.3 CNN在机械状态智能监测系统中的研究现状及分析
    1.4 本文研究内容
第二章 基于一维卷积神经网络的螺栓松紧状态辨识方法
    2.1 引言
    2.2 卷积神经网络结构
        2.2.1 输入层
        2.2.2 卷积层
        2.2.3 池化层
        2.2.4 全连接层与Softmax分类器
        2.2.5 激活函数
        2.2.6 目标函数
    2.3 卷积神经网络的训练过程
        2.3.1 前向传播
        2.3.2 反向传播
    2.4 用于螺栓松紧状态监测的一维卷积神经网络结构
    2.5 数据重叠采样
    2.6 螺栓连接松紧状态监测试验
    2.7 试验结果与分析
    2.8 本章小结
第三章 螺栓连接结构装配紧度监测深层卷积神经网络结构
    3.1 引言
    3.2 深层卷积神经网络算法描述
        3.2.1 深层卷积神经网络结构与参数
        3.2.2 深层卷积神经网络算法的工作流程
    3.3 Dropout防止过拟合
    3.4 批量归一化
    3.5 DCNN螺栓连接结构松紧状态监测试验结果
        3.5.1 第一层大卷积核宽步长对CNN训练的影响
        3.5.2 学习率对CNN训练的影响
        3.5.3 mini-batch大小对CNN训练的影响
        3.5.4 批量归一化对CNN训练的影响
        3.5.5 数据增强对CNN训练的影响
        3.5.6 与其它方法的对比
    3.6 本章小结
第四章 基于Shortcut方法的残差深层卷积神经网络螺栓松紧状态监测模型
    4.1 引言
    4.2 基于Shortcut连接的残差深层卷积神经网络算法描述
        4.2.1 训练退化现象
        4.2.2 残差块结构
        4.2.3 Shortcut直连结构
        4.2.4 残差结构的学习目标
        4.2.5 RDCNN的网络结构与参数
    4.3 多测点传感器信号监测试验
        4.3.1 多测点信号分析
        4.3.2 试验结果与分析
    4.4 RDCNN模型可视化分析
    4.5 本章小结
第五章 基于迁移学习方法的Network in Network深层卷积神经网络模型
    5.1 引言
    5.2 基于迁移学习方法的Network in Network深层卷积神经网络算法描述
        5.2.1 Inception Module结构
        5.2.2 迁移学习
        5.2.3 NINDCNN网络结构与参数
    5.3 变化测点情况下试验结果与分析
        5.3.1 试验结果分析
        5.3.2 与其它方法对比
    5.4 变化任务情况下的试验结果与分析
        5.4.1 凯斯西储大学轴承数据介绍
        5.4.2 试验数据可视化
        5.4.3 试验结果与分析
    5.5 本章小结
结论与展望
    结论
    展望
参考文献
攻读学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]基于阻抗法的多螺栓连接预紧扭矩检测试验研究[J]. 任凯,张子涵,杜飞,吴冠男,徐超.  动力学与控制学报. 2018(05)
[2]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平.  振动.测试与诊断. 2017(06)
[3]优化支持向量机及其在智能故障诊断中的应用[J]. 王保建,张小丽,傅杨奥骁,陈雪峰.  振动.测试与诊断. 2017(03)
[4]基于局部均值分解的螺栓连接振动松动研究[J]. 王名月,缪炳荣,李旭娟,杨忠坤.  工程机械. 2017(05)
[5]航空发动机可拆卸盘鼓型转子拉杆螺栓装配紧度辨识方法[J]. 张小丽,王保建,陈雪峰,程礼,陈卫.  航空动力学报. 2015(08)
[6]基于机器视觉高空飞机螺栓松动监测仿真[J]. 刘超华,林亚军,王述运.  计算机仿真. 2014(12)
[7]拉杆转子装配振动检测分形研究[J]. 余坚,谢寿生,任立通,张子阳,王磊,王立国.  振动与冲击. 2014(14)
[8]应变电测法测量叶根螺栓扭矩系数[J]. 杨文凯,谢清程,戚珩.  船舶工程. 2014(S1)
[9]基于压电阻抗法的机械螺栓组松动监测及识别[J]. 叶亮,张有忱,丁克勤,赵娜.  科学技术与工程. 2013(18)
[10]用贴片光弹法研究螺栓预紧力[J]. 陆鹏,俞乐,刘骅,周唯.  力学季刊. 2013(02)

硕士论文
[1]基于工件振动相位差的螺栓连结状态监测系统的设计与实现[D]. 赵建钧.西南交通大学 2018
[2]基于CNN的载货列车信息识别系统设计与实现[D]. 张文龙.哈尔滨工业大学 2017
[3]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[4]基于两路信号融合分析的螺栓松动故障诊断方法研究[D]. 孔祥娜.东北大学 2013
[5]基于压电阻抗方法的结构健康监测与损伤识别研究[D]. 叶亮.北京化工大学 2013
[6]螺栓扳手测控系统的研究与设计[D]. 楚建军.中南大学 2007



本文编号：3657082