基于深度学习的轴承故障状态识别方法研究

发布时间：2023-11-25 03:53

　　随着工业互联网和智能制造技术的发展,现代机械系统可以实时采集到大量的反应机械设备乃至滚动轴承运行状态的数据,在这种“大数据”驱动下如何有效进行机械故障诊断成为了前沿热点。本学位论文针对轴承的故障诊断问题,结合深度学习理论,设计实现了几种基于深度神经网络的轴承故障状态识别方法,主要工作如下:鉴于深度神经网络本身就具有的非线性映射和特征提取的能力,以及LSTM擅长处理时间序列数据的优点,设计实现了一种基于LSTM的轴承端到端故障状态识别方法。将具有丰富信息细节的原始振动信号直接输入LSTM模型中,并直接输出诊断结果。通过缩减原始振动信号输入到最终故障诊断结果之间的步骤,在获得更丰富的原生信息的同时又充分发挥了深度神经网络的自适应能力。针对LSTM模型有频域信息损失的问题,设计实现了一种基于时频图像和2DCNN的轴承故障状态识别方法。将原始振动信号转化为时频图像,将时间和频率作为图像的两个维度,然后将图像输入2DCNN模型中进行分类识别。通过累积多层的卷积池化层对,2DCNN可以看到比较长的历史和未来信息,这使得2DCNN能够出色地表达振动信号的长时相关性,同时还直接保留了频域的相关信息,相...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究进展
    1.3 论文主要内容与章节安排
2 基于LSTM的轴承故障状态识别方法研究
    2.1 引言
    2.2 长短期记忆网络(LSTM)
    2.3 基于LSTM的轴承故障状态识别模型
    2.4 实验验证
    2.5 本章小结
3 基于时频图像和2DCNN的轴承故障状态识别方法研究
    3.1 引言
    3.2 卷积神经网络(CNN)
    3.3 基于时频图像和2DCNN的轴承故障状态识别模型
    3.4 实验验证
    3.5 本章小结
4 基于1DCNN的轴承故障状态识别方法研究
    4.1 引言
    4.2 基于1DCNN的轴承故障状态识别模型
    4.3 实验验证
    4.4 三种模型比较
    4.5 本章小结
5 软件集成
    5.1 开发环境介绍
    5.2 软件系统后端设计及实现
    5.3 软件系统前端设计及实现
    5.4 本章小结
6 总结与展望
    6.1 本文工作总结
    6.2 下一步工作展望
致谢
参考文献



本文编号：3867219