基于DCAE-CNN的直升机自动倾斜器滚动轴承故障诊断方法研究

发布时间：2020-07-24 16:44

【摘要】：自动倾斜器是直升机传动系统的重要组成部分,滚动轴承作为自动倾斜器中的核心部件,若发生故障必然给直升机的飞行带来安全隐患。因此,研究滚动轴承故障诊断方法对保证直升机的安全飞行有着重要的实际意义。自动倾斜器滚动轴承具有滚珠多、尺寸大和转速低的特点,传统轴承故障诊断方法过程复杂,且识别率不高,深度学习作为一种人工智能技术,在处理大数据任务中有着独特的优势,已在许多领域取得了不错的效果。本文利用卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN),开展了滚动轴承故障诊断方法研究。主要工作内容和研究成果如下:(1)介绍了相关理论基础。首先,自动倾斜器滚动轴承采集的振动信号具有非线性、非平稳的特性,介绍了小波变换的时频分析方法;其次,介绍了CNN的基本结构和分类原理;最后,介绍了DCAE的结构和去噪原理。(2)针对直升机自动倾斜器滚动轴承具有滚珠多、尺寸大和转速低的特点,且工作环境复杂、噪声干扰大的问题,提出了基于DCAE的深度学习图像去噪方法。首先,构造不同噪声环境下的小波时频图;其次,设计了用于图像去噪的DCAE网络模型,通过实验确定网络层数、底层卷积核数量、学习率和损失函数等参数。实验结果表明,不论时频图含噪声大或者是小,DCAE都有较好的去噪效果。(3)提出了基于DCAE-CNN的自动倾斜器滚动轴承的故障诊断方法。首先,利用不同噪声环境下的时频图训练DCAE,减小噪声对时频图的干扰;其次,通过实验确定最佳CNN的网络结构与参数,最后,利用CNN将去噪后的时频图进行故障分类。利用课题组自动倾斜器滚动轴承数据集和凯斯西储大学公开轴承数据集开展真实诊断实验,结果表明,本文方法在不同的噪声环境下都有着较好的诊断效果,尤其在高噪声环境下,与其它深度学习方法对比,有着更高的诊断正确率。
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V275.1;V267
【图文】：

轴承故障诊断,振动信号,预处理,加速度传感器

图 1-1 传统轴承故障诊断步骤度传感器装置采集，将采集到用的处理方法有平滑处理、剔速传感装置采集的振动信号往的预处理中应用最为广泛，常、小波滤波等。故障诊断方法中的核心环节，，传统故障诊断方法的特征提征，其中，时域特征有均值、谱[9]、包络谱[10]、奇异谱[11]、峭3]、Wigner-Ville 分布、经验模态分换[18,19]等。特征进行故障类型判别，常见的量机[22]、人工神经网络[23]等，类效果，从而得到了广泛的应用

结构图,受限,结构图,学者

空大学硕士学位论文第 1 纪以来，随着计算机计算能力的巨大提高，为深度神经网络的训练提。目前，深度学习已成为许多学者研究的对象，已成功应用于图像识测[25]、计算机视觉[26]等领域。深度学习具有自动提取特征的优点，人为设计特征的过程，国内外已有许多学者将深度学习用在轴承故[27,28]，并取得了比较理想的效果。下面将详细介绍几种基于深度学习断方法与其研究现状：1) 基于深度置信网络(Deep Belief Network, DBN)的轴承故障方法[29,30]：率生成模型，主要由多个受限玻尔兹曼机(Restricted Boltzmann M堆叠组成，网络训练过程为逐层贪婪训练单个 RBM，其中，RBM 与 DB图 1-2、图 1-3 所示。

网络结构图,轴承故障诊断,受限,研究现状

目标检测[25]、计算机视觉[26]等领域。深度学习具有自动提取特征的优点，省去了繁琐的人为设计特征的过程，国内外已有许多学者将深度学习用在轴承故障诊断研究中[27,28]，并取得了比较理想的效果。下面将详细介绍几种基于深度学习的轴承故障诊断方法与其研究现状：(1) 基于深度置信网络(Deep Belief Network, DBN)的轴承故障方法[29,30]：DBN 是一种概率生成模型，主要由多个受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)堆叠组成，网络训练过程为逐层贪婪训练单个 RBM，其中，RBM 与 DBN 结构分别如图 1-2、图 1-3 所示。图 1-2 受限玻尔兹曼机结构图

【相似文献】