基于HHT和深度学习的船舶空压机故障诊断

发布时间：2021-03-04 00:54

　　船舶往复式二级空压机是船舶关键的动力设备之一,根据大数据时代中国制造2025的要求,基于一维时域振动信号的船舶空压机故障诊断具有现实意义。HHT算法具有处理非线性非平稳信号的优势,卷积神经网络具有提取空间特征的能力,改进的循环神经网络LSTM神经网络具有时序信号长期和短期记忆的特性。针对添加噪音的实验室条件测取的振动信号,本文提出4种深度学习神经网络模型用以诊断空压机故障。本文首先使用HHT相关算法、数据集增强技术处理添加噪音的振动信号,得到相关系数度大的本征模态分量,然后制作5种状态的数据集。通过搭建一种3层卷积层的卷积神经网络验证卷积神经网络在船舶空压机故障诊断的有效性。利用批归一化（BN层）和Dropout技术优化所提卷积神经网络,有效降低了过拟合和提高了泛化能力与识别率。但在较大信噪比的数据集上,识别率较低。LSTM神经网络具有记忆时序信号长期和短期特征的能力,提出一种LSTM神经网络用于船舶空压机一维时域振动信号故障诊断,结果取得97%的识别率,证明了LSTM神经网络在船舶空压机故障诊断的有效性。提出一种改进EMD算法用于混合不同信噪比噪音的振动信号以模拟真实条件下的船舶空压... 

【文章来源】：集美大学福建省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

LeNet网络结构

集美大学硕士学位论文基于HHT和深度学习的船舶空压机故障诊断4经网络，即“神经认知（Neurocognition）”用以处理手写字符识别。该模型中有S型单元和C型单元两种重要的单元，S型单元类似于卷积神经网络的卷积操作（Convolution）提取局部特征，C型单元类似于卷积神经网络的池化操作（Pooling）用于抽象和容错。20世纪90年代，科学家YannLeCun等人提出了基于梯度学习的卷积神经网络算法（LeNet）。该网络用于手写字体识别时错误率降低到了1%以下，而且该网络也被用于美国邮政系统负责手写识别邮政编码。图1-1LeNet网络结构2012年，科学家GeoffreyE.Hinton设计的一种特殊结构的卷积神经网络（AlexNet）用于当年的计算机视觉ImageNet挑战赛中取得远超第二名12%的优异成绩。此后卷积神经网络成为计算机视觉的标配，2015年由何恺明提出的残差卷积神经网络（ResNet）以高于人类肉眼的识别率在ImageNet挑战赛取得成功[16]。2016年,随着SoundNet网络被MIT的Yusuf等人的发明[17]，标志着卷积神经网络开始走进语音识别领域，使卷积神经网络在传统的二维信号识别领域跨入到一维信号识别领域。目前在自然语言处理、语言互译、同声翻译等领域卷积神经网络正发挥着越来越大的作用。图1-2SoundNet网络结构

集美大学硕士学位论文基于HHT和深度学习的船舶空压机故障诊断6图1-3机器翻译示意图2014年，Vinyals等人在自动描述图像内容的任务中应用LSTM的双层编码器成功为图像生成标题[23]，为图像自然语言描述打开了一扇大门。2018年，谷歌公司BERT(BidirectionalEncoderRepresentationsfromTransformers)是循环神经网络的典型应用，在自然语言处理技术中取得不俗的成就。谷歌AI团队新发布的BERT模型在阅读理解顶级水平测试SQuAD1.1中表现出惊人成绩，两项衡量指标都全面超过人类[24]。随着百度天猫精灵等商业产品的发明和广泛使用，以LSTM为代表的RNN网络在自然语言处理方面将取得更大的成就。基于此，本文研究将循环神经网络用于船舶往复式二级空压机故障诊断领域的可行性和优化。1.3本文主要研究内容与结构本文研究基于经验模态分解处理原始数据得到本征模态分量,然后通过希尔伯特变换得到本征模态分量的希尔伯特普从而研究信号的频率范围，为采样频率和采样点数的设置提供理论依据。使用数据集增强技术和EEMD分解得到数据集。初步探讨了卷积神经网络和循环神经网络直接作用于一维时域振动信号在船舶空压机故障诊断方面的可行性，通过TensorFlow搭建深度学习框架[25]以及使用队列线程和分布式计算进行计算优化[26]，研究了一种经过优化的卷积神经网络和卷积神经网络与循环神经网络结合的神经网络（CRNN）在此类信号故障诊断方面的性能。通过数据可视化技术将损失函数、准确率以及流程图等显示出来以研究神经网络模型的优劣。第一章：介绍了船舶往复式二级空压机故障诊断的研究背景、研究意义，阐述了希尔伯特黄变换、卷积神经网络、循环神经网络、机械故障诊断等的研究现状和不足，引出了以卷积神经网络和循环神经网络为代表的深度学习算法在船舶空压机


本文编号：3062265