转子故障的多模态深度学习信息融合诊断方法研究

发布时间：2021-05-08 16:39

　　旋转设备作为石油石化行业关键设备,运行环境复杂,易发生各种故障,严重时会造成停机甚至事故。转子系统是旋转设备的核心部分,结构复杂,部件众多,时常发生耦合故障,振动分量多且复杂,基于振动的监测难以覆盖整个设备和所有类型的故障。而红外监测可以同时测量多个部件的温度信息,适用于耦合故障诊断。因此,本文引入基于红外图像的故障诊断方法,针对红外图像敏感区域提取、特征学习以及红外和振动信息融合的故障诊断方法进行了研究:（1）研究基于卷积神经网络（Convolutional20Neural20Network,CNN）的红外图像和振动信号的特征学习,通过构建适用于转子平台红外和振动信息特征学习的CNN模型,实现了红外和振动特征的自动提取。与使用人工提取的特征进行故障诊断相比,准确率分别提高了12.5和3.33个百分点。并用核主元分析（Kernel20Principal20Component20Analysis,KPCA）方法对学习到的特征进行降维可视化,直观地证明了CNN提取的特征具有更好的聚类分布。（2）针对红外图像存在强度集中、对比度低、干扰背景多的特点,提出基于红外显著性检测和阈值优化的故障敏感... 

【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题来源与研究意义
        1.1.1 课题来源
        1.1.2 研究意义
    1.2 基于红外图像的故障诊断研究现状及不足
        1.2.1 基于红外图像的故障诊断研究现状
        1.2.2 基于红外图像的故障诊断的不足
    1.3 基于振动的故障诊断研究现状
    1.4 信息融合国内外研究现状与不足
        1.4.1 信息融合国内外研究现状
        1.4.2 信息融合技术的不足
    1.5 主要研究内容
    1.6 技术路线
第2章 基于CNN的红外和振动信号特征学习
    2.1 引言
    2.2 实验设计
    2.3 基于红外图像故障诊断的原理
        2.3.1 红外热成像原理
        2.3.2 红外图像特点
        2.3.3 基于直方图的红外图像特征提取
        2.3.4 转子平台红外图像诊断原理
    2.4 基于卷积神经网络的红外振动信号特征学习
        2.4.1 CNN理论介绍
        2.4.2 红外图像特征学习
        2.4.3 振动信号特征学习
    2.5 基于KPCA的特征降维和可视化
    2.6 本章小结
第3章 基于视觉显著性检测和阈值优化的红外图像敏感区提取
    3.1 引言
    3.2 旋转设备红外图像显著性检测
        3.2.1 基于直方图的对比度
        3.2.2 区域对比度
        3.2.3 二值化图像分割
    3.3 基于分类结果的图像分割阈值优化
        3.3.1 初步分割阈值计算
        3.3.2 敏感区域提取和特征值计算
        3.3.3 阈值优化过程
    3.4 基于随机森林的故障分类
        3.4.1 CART决策树
        3.4.2 随机森林分类流程
    3.5 基于红外图像的转子平台故障诊断
    3.6 本章小结
第4章 转子故障的多模态深度学习融合诊断方法
    4.1 引言
    4.2 多模态深度学习方法
    4.3 基于多模态CNN的信息融合故障诊断模型
        4.3.1 多模态CNN信息融合模型
        4.3.2 多模态CNN的网络结构设计
    4.4 基于多模态CNN的故障诊断实例
        4.4.1 基于D-S理论的转子平台信息融合故障诊断
        4.4.2 基于BP神经网络的转子平台信息融合故障诊断
        4.4.3 基于多模态CNN的转子平台信息融合故障诊断
    4.5 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
攻读硕士学位期间的研究成果
致谢


【参考文献】：
期刊论文
[1]随机森林在滚动轴承故障诊断中的应用[J]. 张钰,陈珺,王晓峰,刘飞,周文晶,王志国.  计算机工程与应用. 2018(06)
[2]基于多级数据融合技术的液压支架故障诊断技术[J]. 李新胜,宋建成,曲兵妮,田慕琴,许春雨,宋鑫,柴文.  煤炭科学技术. 2016(12)
[3]基于多传感器数据融合技术的电子设备故障诊断[J]. 吴苏,吴文全,王薇.  计算技术与自动化. 2016(01)
[4]基于FAsT-Match算法的电力设备红外图像分割[J]. 邹辉,黄福珍.  红外技术. 2016(01)
[5]基于GA-BP的煤矿大型机电设备D-S数据融合故障诊断的研究[J]. 马宪民,梁兰,张永强,施乐平.  煤炭技术. 2016(01)
[6]基于多源数据融合的GEO目标轨道改进分析[J]. 薛晨,李智,汤赫然.  装备学院学报. 2015(01)
[7]基于两方法博弈的马尔可夫随机场红外图像分割算法[J]. 王坤,张恺,王力,诸葛晶昌.  红外技术. 2015(02)
[8]船载电气设备红外故障诊断应用技术研究[J]. 杨洋,孙朝斌,柏永斌,韩璐.  红外技术. 2015(02)
[9]多源信息融合故障诊断方法研究进展[J]. 张成军,阴妍,鲍久圣,纪洋洋.  河北科技大学学报. 2014(03)
[10]红外成像系统及其应用[J]. 李相迪,黄英,张培晴,宋宝安,戴世勋,徐铁峰,聂秋华.  激光与红外. 2014(03)

博士论文
[1]多传感器数据融合及其在电机故障诊断中的应用研究[D]. 陈理渊.浙江大学 2005
[2]基于信息融合技术的故障诊断方法的研究及应用[D]. 王志鹏.大连理工大学 2001

硕士论文
[1]BP神经网络和自适应模糊推理系统在多传感器粮情信息融合系统中的研究及应用[D]. 张卓然.武汉工业学院 2012
[2]基于多源信息融合技术的船舶电力推进系统故障诊断研究[D]. 华云鹏.大连海事大学 2012
[3]基于多源信息融合的发动机故障诊断研究[D]. 严莉.中北大学 2010



本文编号：3175659