基于深度卷积神经网络的变转速行星齿轮箱故障诊断方法研究

发布时间：2023-11-08 18:10

　　行星齿轮箱在众多机电系统中承担着至关重要的传动作用,其一旦发生故障,将有可能带来经济损失与人员伤亡,因此非常有必要对其进行状态监测与故障诊断。然而在变转速行星齿轮箱的智能诊断领域,从振动信号中提取故障特征非常困难,而且智能诊断模型难以对未知转速下的故障进行诊断。本文针对以上问题,首先通过分析行星齿轮箱振动特性,建立了行星轮故障情况下的行星齿轮箱振动模型,结合实测行星齿轮箱振动信号进行分析,验证了变转速下的行星齿轮箱振动信号具有强非平稳性与多频率调制特性。结合行星齿轮箱振动信号特性设计了基于深度卷积神经网络(DCNN)的故障智能诊断方案,该方案能够自动提取故障特征,能够在已知变转速下诊断两种难以分辨的行星轮故障。针对智能诊断模型在未知转速下的跨域诊断问题,本文提出了三种优化策略。首先通过在训练过程中加入少量未知转速的验证样本,使模型能够在未知转速下进行智能诊断;其次,考虑到在训练阶段无法获取目标转速下的振动信号的情况,基于Dropout策略和残差模块对深度卷积神经网络结构进行优化,以增强模型的泛化能力,从而实现在未知转速下的故障诊断;最后,通过生成对抗网络生成未知转速下的振动信号来扩充训...

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景
        1.1.1 基于信号分析法的变转速行星齿轮箱故障诊断
        1.1.2 基于传统机器学习的行星齿轮箱故障诊断
        1.1.3 基于深度学习的智能故障诊断
        1.1.4 智能诊断模型的跨域迁移诊断
    1.2 研究内容
    1.3 研究意义
2 变转速行星齿轮箱振动信号特性分析
    2.1 行星齿轮箱振动特性
    2.2 行星齿轮箱振动仿真模型
    2.3 变转速行星齿轮箱振动测试信号分析
    2.4 本章小结
3 基于DCNN的变转速行星齿轮箱故障诊断
    3.1 DCNN模型设计
    3.2 数据预处理
    3.3 DCNN模型的训练和评估
        3.3.1 DCNN模型训练流程
        3.3.2 DCNN模型评估流程
        3.3.3 DCNN模型前向传播
        3.3.4 损失函数及梯度计算
        3.3.5 DCNN模型的参数优化
    3.4 DCNN在已知变转速下的诊断性能研究
    3.5 DCNN在未知转速下的诊断性能测试
    3.6 本章小结
4 基于DCNN优化的跨域诊断
    4.1 基于目标域数据验证的跨域诊断方案
    4.2 基于网络结构优化的跨域诊断方案
        4.2.1 Dropout策略
        4.2.2 Residual Block结构
        4.2.3 基于Dropout和DCNN模型
        4.2.4 优化的ResDCNN模型跨域诊断性能试验
    4.3 本章小结
5 基于GAN振动信号生成的跨域诊断
    5.1 分类辅助的生成对抗网络
        5.1.1 生成对抗网络
        5.1.2 条件生成对抗网络与分类辅助的生成对抗网络
    5.2 基于GAN的行星齿轮箱振动信号生成方案
        5.2.1 GAN判别模型与生成模型结构
        5.2.2 GAN训练策略
        5.2.3 GAN评估方案
    5.3 基于GAN增强的DCNN跨域诊断
        5.3.1 GAN生成信号质量测试
        5.3.2 融合生成信号的跨域诊断实验
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3861478