基于稀疏编码的滚动轴承故障预测方法研究

发布时间：2023-11-08 20:27

　　滚动轴承是旋转机械安全、可靠运行的关键零部件。滚动轴承出现故障将严重影响设备使用寿命及生产效率。针对轴承等旋转机械故障频发部件,开展故障趋势及剩余寿命预测可显著降低设备维护成本,提高企业管理水平,避免重大生产事故,实现旋转机械由“事后维修”到“预知维修”的转变。因此,本文的研究具有极大的理论与工程实践意义。本论文以振动信号时域特征为基础,围绕深度学习理论及时间序列分析技术开展了基于稀疏编码的滚动轴承故障预测方法研究。首先,在综述了各类故障预测技术的基础上,强调了基于数据驱动的方法在故障预测上的优势,并对比分析了传统机器学习方法中的基于Bagging的决策树预测方法和基于粒子群的支持向量回归预测方法对时域特征的预测性能。研究发现两种机器学习方法需要繁琐的多参数调优,并且鲁棒性和预测精度有待提高。其次,针对机器学习方法在轴承故障预测上的不足,采用最新的深度学习方法对轴承故障进行预测,并着重介绍了深度学习中稀疏编码方法。该方法通过无监督字典学习与系数求解的重复迭代,深入挖掘数据内部信息,对信号稀疏重构,有效减少数据本身的冗余信息。通过与自回归模型结合能够在少量参数调优的情况下做到对数据的高效...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    §1.1 课题研究背景和意义
    §1.2 旋转机械故障预测技术国内外研究概述
        §1.2.1 旋转机械故障预测方法概述
        §1.2.2 国内外研究历史概述
        §1.2.3 国内外研究现状概述
    §1.3 深度学习理论概述
    §1.4 课题来源
    §1.5 论文主要内容与章节安排
第二章 机器学习方法在故障预测中的应用
    §2.1 基于决策树的故障预测方法
        §2.1.1 决策树基本原理
        §2.1.2 基于Bagging的决策树预测方法
    §2.2 基于支持向量机的故障预测方法
        §2.2.1 SVM理论介绍
        §2.2.2 基于粒子群的SVR预测方法
    §2.3 时域特征参数提取
    §2.4 机械故障预测实例分析
        §2.4.1 试验台及数据说明
        §2.4.2 基于bagging的决策树预测结果
        §2.4.3 基于PSO-SVR预测结果
    §2.5 本章小结
第三章 权重约束稀疏编码方法及在轴承故障预测中的应用
    §3.1 稀疏编码
        §3.1.1 稀疏编码概述
        §3.1.2 稀疏编码的数学解释
    §3.2 基于稀疏编码的故障预测方法
        §3.2.1 构建过完备字典
        §3.2.2 L₁范数正则化
        §3.2.3 稀疏优化约束
        §3.2.4 稀疏自回归预测模型
    §3.3 权重约束稀疏编码预测方法
    §3.4 实验验证
        §3.4.1 SNNE故障预测结果
        §3.4.2 WCSC故障预测分析
    §3.5 稀疏编码方法与机器学习方法的对比研究
    §3.6 本章小结
第四章 分层深度稀疏编码及在轴承故障预测中的应用
    §4.1 深度稀疏编码模型
    §4.2 基于分层稀疏编码的预测框架
        §4.2.1 稀疏编码模块
        §4.2.2 最大值池化模块
        §4.2.3 分层网络预测模型
    §4.3 实验验证
        §4.3.1 案例一
        §4.3.2 案例二
    §4.4 HSC与PSO-SVR、WCSC方法的对比研究
        §4.4.1 轴承故障预测实例一
        §4.4.2 轴承故障预测实例二
        §4.4.3 实验结论
    §4.5 轴承剩余寿命预测
    §4.6 本章小结
第五章 总结和展望
    §5.1 总结
    §5.2 展望
参考文献
致谢
攻读硕士期间主要研究成果



本文编号：3861686