VMD-CNN疲劳裂纹声发射信号实验数据分析
发布时间：2021-04-13 12:35
近年来,我国铁路发展迅速,运营里程不断增加,运营速度不断加快。因此,高速铁路运营中的安全问题成为人们关注的焦点。机车车轴是机车车辆走行部的重要部件,使其发生故障的主要原因是疲劳裂纹的产生,随着裂纹的进一步扩展,最终会导致车轴的断裂,对走行部的危害极大,直接关系到列车的安全运行和乘客的安全。因此,监测列车车轴的状态,及时发现故障具有重要意义。本文主要对列车车轴疲劳裂纹声发射信号实验数据进行了分析。本文选取了车轴疲劳裂纹信号进行分析,为了符合列车实际运行情况,因此加入了车轴敲击信号和车轴背景噪声信号来模拟实际运行过程中产生的冲击和噪声。本文提出了一种基于VMD、SVD和CNN的车轴疲劳裂纹声发射信号的特征提取和识别方法。利用VMD将原始声发射信号分解为多个IMF分量,选取最优的IMF分量用于SVD分解,将SVD分解得到的奇异值特征向量作为CNN的输入进行训练和测试,对车轴疲劳裂纹声发射信号进行识别分析。实验结果表明,VMD和SVD的方法能够有效地提取车轴裂纹声发射信号的特征信息,并能够准确地识别出车轴疲劳裂纹声发射信号。同时,本文采用了 EEMD和SVD的特征提取方法进行了对比。通过对比,...
【文章来源】：大连交通大学辽宁省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．１?ＶＭＤ计算流程图??Ｆｉｇ．?２．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＶＭＤ?ｃａｌｃｕｌａｔｉｏｎ??１２??
?第二章理论基础???激活函数一般有Ｓｉｇｍｏｉｄ函数和ＲｅＬＵ函数。??Ｓｉｇｍｏｉｄ?函数：??參士?（２－３９）??ＲｅＬＵ函数：??／?〇ｃ）?＝?ｍａｘ（０，ｘ）?（２．４０）??卷积层的输入和输出特征平面尺寸满足公式（２．４１）：??ｘ，ｎ?＋?２?ｘ?ｐａｄ?－?ｋｓ?，??＾，？＝－￣￣?＋?１?（２．４１）??ｓｔｒｉｄｅ??在公式中，ｐｏｃ／是填充宽度，？是卷积核尺寸，是步长。以９ｘ９特征平面作??为输入为例，当ｐａｔ／＝?０，知＝３，Ｗｒ／办＝１时，输出特征平面尺寸为７ｘ７。??（２）池化层??ＣＮＮ中的用于减少参数个数的另一种方法是池化，其实质上是一类图像的聚合运??算。当输入图像经过卷积层之后，如果得到的图像的特征平面直接用于分类或者其他任??务中，则计算量会大幅度的增加。池化操作的结果是减少了特征和参数，这大大减少了??计算量，并有效地防止了过度拟合。??■?￣￣２￣１?３?３??２?一＾：了了??Ｖ?Ｉ??＾?離參??＇?＇：Ｐ．??１?１１?０??２?３?３?１?７／４?５，４??２?３?２?１?２?３／２??；——－—Ｔ－Ｔ－ｊｒ＾－?：：一．．??１２?２?１??图２．３最大池化和平均池化的示意图??Ｆｉｇ．?２．３?Ｓｃｈｅｍａｔｉｃ?ｍａｐｓ?ｏｆ?ｍａｘｉｍｕｍ?ａｎｄ?ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ??１７??
图２．５下采样示意图??
【参考文献】：
期刊论文
[1]基于变分模态分解与流形学习的滚动轴承故障特征提取方法[J]. 戚晓利,叶绪丹,蔡江林,郑近德,潘紫微,张兴权. 振动与冲击. 2018(23)
[2]基于信息熵优化变分模态分解的滚动轴承故障特征提取[J]. 李华,伍星,刘韬,陈庆. 振动与冲击. 2018(23)
[3]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[4]基于卷积神经网络算法的高压断路器故障诊断[J]. 黄新波,胡潇文,朱永灿,魏雪倩,周岩,高华. 电力自动化设备. 2018(05)
[5]结合VMD和Volterra预测模型的轴承振动信号特征提取[J]. 张云强,张培林,王怀光,杨玉栋,吴定海. 振动与冲击. 2018(03)
[6]基于VMD的自适应形态学在轴承故障诊断中的应用[J]. 钱林,康敏,傅秀清,王兴盛,费秀国. 振动与冲击. 2017(03)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J]. 马增强,李亚超,刘政,谷朝健. 振动与冲击. 2016(13)
[9]基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法[J]. 李艳峰,王新晴,张梅军,朱会杰. 上海交通大学学报. 2015(05)
[10]基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 刘长良,武英杰,甄成刚. 中国电机工程学报. 2015(13)
硕士论文
[1]基于LMD与SVM的车轴疲劳裂纹声发射信号故障诊断研究[D]. 涂彬倡.大连交通大学 2018
[2]基于奇异值分解的信号处理方法及其在机械故障诊断中的应用[D]. 曾作钦.华南理工大学 2011
[3]高线性度的CMOS上变频混频器设计[D]. 李鸣.东南大学 2005
本文编号：3135308
【文章来源】：大连交通大学辽宁省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．１?ＶＭＤ计算流程图??Ｆｉｇ．?２．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＶＭＤ?ｃａｌｃｕｌａｔｉｏｎ??１２??
?第二章理论基础???激活函数一般有Ｓｉｇｍｏｉｄ函数和ＲｅＬＵ函数。??Ｓｉｇｍｏｉｄ?函数：??參士?（２－３９）??ＲｅＬＵ函数：??／?〇ｃ）?＝?ｍａｘ（０，ｘ）?（２．４０）??卷积层的输入和输出特征平面尺寸满足公式（２．４１）：??ｘ，ｎ?＋?２?ｘ?ｐａｄ?－?ｋｓ?，??＾，？＝－￣￣?＋?１?（２．４１）??ｓｔｒｉｄｅ??在公式中，ｐｏｃ／是填充宽度，？是卷积核尺寸，是步长。以９ｘ９特征平面作??为输入为例，当ｐａｔ／＝?０，知＝３，Ｗｒ／办＝１时，输出特征平面尺寸为７ｘ７。??（２）池化层??ＣＮＮ中的用于减少参数个数的另一种方法是池化，其实质上是一类图像的聚合运??算。当输入图像经过卷积层之后，如果得到的图像的特征平面直接用于分类或者其他任??务中，则计算量会大幅度的增加。池化操作的结果是减少了特征和参数，这大大减少了??计算量，并有效地防止了过度拟合。??■?￣￣２￣１?３?３??２?一＾：了了??Ｖ?Ｉ??＾?離參??＇?＇：Ｐ．??１?１１?０??２?３?３?１?７／４?５，４??２?３?２?１?２?３／２??；——－—Ｔ－Ｔ－ｊｒ＾－?：：一．．??１２?２?１??图２．３最大池化和平均池化的示意图??Ｆｉｇ．?２．３?Ｓｃｈｅｍａｔｉｃ?ｍａｐｓ?ｏｆ?ｍａｘｉｍｕｍ?ａｎｄ?ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ??１７??
图２．５下采样示意图??
【参考文献】：
期刊论文
[1]基于变分模态分解与流形学习的滚动轴承故障特征提取方法[J]. 戚晓利,叶绪丹,蔡江林,郑近德,潘紫微,张兴权. 振动与冲击. 2018(23)
[2]基于信息熵优化变分模态分解的滚动轴承故障特征提取[J]. 李华,伍星,刘韬,陈庆. 振动与冲击. 2018(23)
[3]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[4]基于卷积神经网络算法的高压断路器故障诊断[J]. 黄新波,胡潇文,朱永灿,魏雪倩,周岩,高华. 电力自动化设备. 2018(05)
[5]结合VMD和Volterra预测模型的轴承振动信号特征提取[J]. 张云强,张培林,王怀光,杨玉栋,吴定海. 振动与冲击. 2018(03)
[6]基于VMD的自适应形态学在轴承故障诊断中的应用[J]. 钱林,康敏,傅秀清,王兴盛,费秀国. 振动与冲击. 2017(03)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J]. 马增强,李亚超,刘政,谷朝健. 振动与冲击. 2016(13)
[9]基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法[J]. 李艳峰,王新晴,张梅军,朱会杰. 上海交通大学学报. 2015(05)
[10]基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 刘长良,武英杰,甄成刚. 中国电机工程学报. 2015(13)
硕士论文
[1]基于LMD与SVM的车轴疲劳裂纹声发射信号故障诊断研究[D]. 涂彬倡.大连交通大学 2018
[2]基于奇异值分解的信号处理方法及其在机械故障诊断中的应用[D]. 曾作钦.华南理工大学 2011
[3]高线性度的CMOS上变频混频器设计[D]. 李鸣.东南大学 2005
本文编号：3135308
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3135308.html
