基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究
发布时间：2021-02-03 14:48
滚动轴承作为高速动车组走行部的关键旋转部件之一,其运行状态直接影响动车组的运行品质与行车安全,因此,深入开展动车组滚动轴承故障诊断技术研究具有重要的意义。目前,广泛应用于轨道车辆滚动轴承故障领域的基于信号处理的振动分析诊断法和基于机器学习浅层模型的智能诊断法在通用性和智能化方面还存在一定的不足,研究更加通用、智能的诊断方法对动车组走行部关键部件的智能运维有积极的推动作用。针对传统智能诊断方法依赖信号处理技术与专家诊断经验来提取故障特征,深度学习模型仅被当作分类器使用,诊断模型识别准确率不高、泛化性不强以及诊断模型的建模分析未考虑实际故障诊断中的“正常状态”样本与“故障状态”样本的数据不平衡等问题,本文主要开展了以下四个方面的研究工作:（1）首先,使用CWRU轴承标准数据集进行建模分析,验证卷积神经网络从原始一维振动信号逐层卷积池化来抽取故障特征,并实现不同类型、不同程度故障准确分类的算法可行性;然后,通过引入Dropout、BN、SVM等算法来提升诊断模型的收敛速度、识别准确率与泛化能力;最后考虑噪声干扰下的识别准确率以及统计学指标P、R、F1客观地评估了 CNN-BN-SVM模型的分...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
图１－３研究思路??Ｆｉｇ．?１－３?Ｒｅｓｅａｒｃｈ?ｉｄｅａｓ??
同一层神经元互不连接，每个神经元均拥有激活函数，为了使用基于梯度的优化??算法，激活函数均可导，激活函数实现了非线性转化以解决感知器模型所不能解??决的非线性问题图２－２为包含输入层、输出层和单个隐藏层的三层前馈式简??单神经网络示意图。??ｉｎｐｕｔ?ｌａｙｅｒ??ｈｉｄｄｅｎ?ｌａｙｅｒ??图２－２前馈式神经网络??Ｆｉｇ．２－２?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??隐藏层与输出层各神经元的输入、输出值计算方式如公式（２－２）所示：??ｚ；＝Ｓ／？１＋Ｚ？／’??（２－２）??式中：?＜?——表示第（／－Ｉ）层的第丨个神经元与第／层的第；？个神经元间的连接权重；??ｂ；一一表示第／层的第；？个神经元的偏置项；??ｚ；一一表示第／层的第ｊ个神经元的输入值；??ａ＼一一表示第／层的第ｊ个神经元的输出值；??Ｃ７一一表示激活函数；??２．１．２卷积神经网络基本架构??１０??
?？?ＯｌｌｔｐＵｔ??？，??图２－１单层感知器??Ｆｉｇ．２－１?Ｓｉｎｇｌｅ?ｌａｙｅｒ?ｐｅｒｃｅｐｔｒｏｎ??（２）神经网络??神经网络主要包含输入层、隐藏层与输出层，相邻层的神经元之间为全连接，??同一层神经元互不连接，每个神经元均拥有激活函数，为了使用基于梯度的优化??算法，激活函数均可导，激活函数实现了非线性转化以解决感知器模型所不能解??决的非线性问题图２－２为包含输入层、输出层和单个隐藏层的三层前馈式简??单神经网络示意图。??ｉｎｐｕｔ?ｌａｙｅｒ??ｈｉｄｄｅｎ?ｌａｙｅｒ??图２－２前馈式神经网络??Ｆｉｇ．２－２?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??隐藏层与输出层各神经元的输入、输出值计算方式如公式（２－２）所示：??ｚ；＝Ｓ／？１＋Ｚ？／’??（２－２）
【参考文献】：
期刊论文
[1]基于卷积神经网络的反向传播算法改进[J]. 杨鹤标,龚文彦. 计算机工程与设计. 2019(01)
[2]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏. 控制与决策. 2019(04)
[3]基于深度学习的机械设备健康管理综述与展望[J]. 周奇才,沈鹤鸿,赵炯,熊肖磊. 现代机械. 2018(04)
[4]一种基于代价敏感学习的故障电弧识别方法[J]. 殷浩楠,竺红卫,丁鑫,王一闻. 传感器与微系统. 2018(04)
[5]基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J]. 姚德臣,杨建伟,程晓卿,王兴. 机械工程学报. 2018(09)
[6]基于细菌觅食决策和深度置信网络的滚动轴承故障诊断[J]. 陶洁,刘义伦,杨大炼,宾光富. 振动与冲击. 2017(23)
[7]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[8]基于深度学习的滚动轴承故障诊断研究综述[J]. 张雪英,栾忠权,刘秀丽. 设备管理与维修. 2017(18)
[9]基于小波包和BBO-RBFNN的滚动轴承故障诊断[J]. 张晴,高军伟,张彬,毛云龙,董宏辉. 工业控制计算机. 2017(08)
[10]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
博士论文
[1]基于肌音和CNN-SVM模型的人体膝关节运动意图识别研究[D]. 吴海峰.中国科学技术大学 2018
[2]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[3]高速列车减振器状态监测及故障诊断方法研究[D]. 邢璐璐.中国铁道科学研究院 2018
[4]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[5]车辆滚动轴承故障诊断建模及关键技术研究[D]. 葛慧敏.江苏大学 2017
[6]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013
[7]滚动轴承表面损伤故障的特征提取与诊断方法研究[D]. 隋文涛.山东大学 2011
[8]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
硕士论文
[1]动车组运用检修的修程修制优化与实践[D]. 丰雪霏.中国铁道科学研究院 2018
[2]基于深度卷积神经网络的数据驱动故障诊断方法研究[D]. 李强.山东大学 2018
[3]基于图像处理的动车组走行部故障检测方法研究[D]. 吴琛.西南交通大学 2018
[4]基于深度学习的机械故障诊断方法研究[D]. 陈周亮.南昌航空大学 2018
[5]面向工业大数据的智能故障诊断方法研究[D]. 司佳.山东大学 2018
[6]基于知识的故障诊断方法研究[D]. 李巧玲.电子科技大学 2018
[7]面向齿轮箱关键部件的故障诊断与运维问题研究[D]. 周宇.北京交通大学 2017
[8]基于EEMD的共振解调技术在动车组轴承故障诊断中的应用[D]. 汪志君.北京交通大学 2017
[9]基于深度置信网络的数据驱动故障诊断方法研究[D]. 葛强强.哈尔滨工业大学 2016
[10]动车组走行部关键部位滚动轴承的故障诊断研究[D]. 林恩田.北京交通大学 2016
本文编号：3016693
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
图１－３研究思路??Ｆｉｇ．?１－３?Ｒｅｓｅａｒｃｈ?ｉｄｅａｓ??
同一层神经元互不连接，每个神经元均拥有激活函数，为了使用基于梯度的优化??算法，激活函数均可导，激活函数实现了非线性转化以解决感知器模型所不能解??决的非线性问题图２－２为包含输入层、输出层和单个隐藏层的三层前馈式简??单神经网络示意图。??ｉｎｐｕｔ?ｌａｙｅｒ??ｈｉｄｄｅｎ?ｌａｙｅｒ??图２－２前馈式神经网络??Ｆｉｇ．２－２?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??隐藏层与输出层各神经元的输入、输出值计算方式如公式（２－２）所示：??ｚ；＝Ｓ／？１＋Ｚ？／’??（２－２）??式中：?＜?——表示第（／－Ｉ）层的第丨个神经元与第／层的第；？个神经元间的连接权重；??ｂ；一一表示第／层的第；？个神经元的偏置项；??ｚ；一一表示第／层的第ｊ个神经元的输入值；??ａ＼一一表示第／层的第ｊ个神经元的输出值；??Ｃ７一一表示激活函数；??２．１．２卷积神经网络基本架构??１０??
?？?ＯｌｌｔｐＵｔ??？，??图２－１单层感知器??Ｆｉｇ．２－１?Ｓｉｎｇｌｅ?ｌａｙｅｒ?ｐｅｒｃｅｐｔｒｏｎ??（２）神经网络??神经网络主要包含输入层、隐藏层与输出层，相邻层的神经元之间为全连接，??同一层神经元互不连接，每个神经元均拥有激活函数，为了使用基于梯度的优化??算法，激活函数均可导，激活函数实现了非线性转化以解决感知器模型所不能解??决的非线性问题图２－２为包含输入层、输出层和单个隐藏层的三层前馈式简??单神经网络示意图。??ｉｎｐｕｔ?ｌａｙｅｒ??ｈｉｄｄｅｎ?ｌａｙｅｒ??图２－２前馈式神经网络??Ｆｉｇ．２－２?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??隐藏层与输出层各神经元的输入、输出值计算方式如公式（２－２）所示：??ｚ；＝Ｓ／？１＋Ｚ？／’??（２－２）
【参考文献】：
期刊论文
[1]基于卷积神经网络的反向传播算法改进[J]. 杨鹤标,龚文彦. 计算机工程与设计. 2019(01)
[2]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏. 控制与决策. 2019(04)
[3]基于深度学习的机械设备健康管理综述与展望[J]. 周奇才,沈鹤鸿,赵炯,熊肖磊. 现代机械. 2018(04)
[4]一种基于代价敏感学习的故障电弧识别方法[J]. 殷浩楠,竺红卫,丁鑫,王一闻. 传感器与微系统. 2018(04)
[5]基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J]. 姚德臣,杨建伟,程晓卿,王兴. 机械工程学报. 2018(09)
[6]基于细菌觅食决策和深度置信网络的滚动轴承故障诊断[J]. 陶洁,刘义伦,杨大炼,宾光富. 振动与冲击. 2017(23)
[7]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平. 振动.测试与诊断. 2017(06)
[8]基于深度学习的滚动轴承故障诊断研究综述[J]. 张雪英,栾忠权,刘秀丽. 设备管理与维修. 2017(18)
[9]基于小波包和BBO-RBFNN的滚动轴承故障诊断[J]. 张晴,高军伟,张彬,毛云龙,董宏辉. 工业控制计算机. 2017(08)
[10]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
博士论文
[1]基于肌音和CNN-SVM模型的人体膝关节运动意图识别研究[D]. 吴海峰.中国科学技术大学 2018
[2]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[3]高速列车减振器状态监测及故障诊断方法研究[D]. 邢璐璐.中国铁道科学研究院 2018
[4]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[5]车辆滚动轴承故障诊断建模及关键技术研究[D]. 葛慧敏.江苏大学 2017
[6]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013
[7]滚动轴承表面损伤故障的特征提取与诊断方法研究[D]. 隋文涛.山东大学 2011
[8]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
硕士论文
[1]动车组运用检修的修程修制优化与实践[D]. 丰雪霏.中国铁道科学研究院 2018
[2]基于深度卷积神经网络的数据驱动故障诊断方法研究[D]. 李强.山东大学 2018
[3]基于图像处理的动车组走行部故障检测方法研究[D]. 吴琛.西南交通大学 2018
[4]基于深度学习的机械故障诊断方法研究[D]. 陈周亮.南昌航空大学 2018
[5]面向工业大数据的智能故障诊断方法研究[D]. 司佳.山东大学 2018
[6]基于知识的故障诊断方法研究[D]. 李巧玲.电子科技大学 2018
[7]面向齿轮箱关键部件的故障诊断与运维问题研究[D]. 周宇.北京交通大学 2017
[8]基于EEMD的共振解调技术在动车组轴承故障诊断中的应用[D]. 汪志君.北京交通大学 2017
[9]基于深度置信网络的数据驱动故障诊断方法研究[D]. 葛强强.哈尔滨工业大学 2016
[10]动车组走行部关键部位滚动轴承的故障诊断研究[D]. 林恩田.北京交通大学 2016
本文编号：3016693
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3016693.html
