基于1DCNN的机械故障诊断算法研究与软件平台设计
发布时间：2021-11-02 00:50
现代化社会中,机械设备朝着越来越大型,越来越复杂,越来越精密,越来越智能发展。但是,随着其复杂程度的不断提升,出现的故障种类也越来越多,传统维护方法所用的时间长,成本高,严重影响了生产效率,需要使用机器学习的方法进行自动的故障诊断。近年来,机械故障诊断技术被广泛应用于电池电路,电子设备,变速箱齿轮箱,风力发电机,铁路道岔等方面。而随着采样点数、采样频率、和连续采样时间的不断增加,监测系统的数据量大大提升,使得故障特征越来越复杂,机械零件之间的联系也大大增加,特征提取的难度大大增加。而端对端的一维卷积神经网络不需要人工进行特定的特征提取,在这一方面明显优于特征提取加特征分类的传统机器学习方法。本课题设计了一种可以直接作用在时域信号上的故障诊断1DCNN（1Dimension Convolutional Neural Networks）网络结构。基于1DCNN设计了一种紧凑型的网络结构,采用大而浅的网络设计自动提取特征,然后使用全连接神经网络和softmax激活函数进行多分类,采用交叉熵损失函数,采用Adam优化学习率和下降方向。网络采用端对端的设计,不需要人工进行特定的特征提取;采用紧凑...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景和意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.2.3 国内外研究现状的简析
1.3 主要研究内容
第二章 故障诊断算法和软件平台方案
2.1 整体方案设计
2.2 机械故障数据分析
2.2.1 CWRU故障数据统计
2.2.2 固定负载的样本划分
2.2.3 混合负载的样本划分
2.3 本章小结
第三章 基于1DCNN的故障诊断算法
3.1 1DCNN结构设计
3.1.1 卷积层
3.1.2 池化层
3.1.3 激活函数
3.1.4 全连接层
3.1.5 卷积核大小和卷积层数的设计
3.2 1DCNN的损失函数和网络传播过程
3.2.1 Softmax的交叉熵损失函数
3.2.2 全连接层的传播过程
3.2.3 一维卷积层传播过程
3.2.4 最大池化传播过程
3.3 Adam优化
3.4 1DCNN性能测试
3.4.1 实际测试的模型参数和网络结构
3.4.2 固定负载的测试结果
3.4.3 混合负载的测试结果
3.5 本章小结
第四章 算法的抗噪性能设计
4.1 引言
4.2 1DCNN初始模型抗噪性能测试
4.3 1DCNN针对抗噪性能的优化
4.3.1 批大小对抗噪性能的影响
4.3.2 正则化处理
4.3.3 批标准化处理
4.3.4 随机失活算法
4.3.5 卷积核大小对网络性能的影响
4.3.6 抗噪声最终方案
4.4 本章小结
第五章 故障诊断软件平台设计
5.1 上位机软件系统设计
5.1.1 软件主体结构设计
5.1.2 通讯协议与通讯方式的选择
5.2 上位机界面和功能
5.2.1 节点切换部分
5.2.2 数据显示部分
5.2.3 功能选择部分
5.2.4 实时诊断功能的实现
5.3 软件平台实际测试
5.3.1 数据采集系统介绍
5.3.2 上位机功能测试
5.3.3 故障诊断功能测试
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]基于多任务深度学习的齿轮箱多故障诊断方法[J]. 赵晓平,吴家新,钱承山,张永宏,王丽华. 振动与冲击. 2019(23)
[2]基于平移不变CNN的机械故障诊断研究[J]. 朱会杰,王新晴,芮挺,张欲保,李艳峰. 振动与冲击. 2019(05)
[3]卷积神经网络在机械设备故障诊断领域应用与挑战[J]. 黄鑫,陈仁祥,黄钰. 制造技术与机床. 2019(01)
[4]Adam优化的CNN超分辨率重建[J]. 赵小强,宋昭漾. 计算机科学与探索. 2019(05)
[5]旋转机械故障诊断与状态监测发展综述[J]. 吴秀星,关佳亮. 设备管理与维修. 2018(10)
[6]基于AGA优化BP神经网络的矿井通风机故障诊断[J]. 余发山,高勇. 软件导刊. 2017(09)
[7]一种机械故障诊断多传感器数据融合特征提取的方法[J]. 王江萍,娄尚,杨志芹. 西安石油大学学报(自然科学版). 2017(01)
[8]基于经验小波变换的机械故障诊断方法研究[J]. 李志农,朱明,褚福磊,肖尧先. 仪器仪表学报. 2014(11)
[9]基于瞬时能量熵和SVM的滚动轴承故障诊断[J]. 姚亚夫,张星. 电子测量与仪器学报. 2013(10)
[10]基于GA-SVM的多总线自动化测试系统故障诊断优化研究[J]. 宋冬冬,马玉泉,林红举. 电子测量与仪器学报. 2013(02)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
本文编号：3471016
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景和意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.2.3 国内外研究现状的简析
1.3 主要研究内容
第二章 故障诊断算法和软件平台方案
2.1 整体方案设计
2.2 机械故障数据分析
2.2.1 CWRU故障数据统计
2.2.2 固定负载的样本划分
2.2.3 混合负载的样本划分
2.3 本章小结
第三章 基于1DCNN的故障诊断算法
3.1 1DCNN结构设计
3.1.1 卷积层
3.1.2 池化层
3.1.3 激活函数
3.1.4 全连接层
3.1.5 卷积核大小和卷积层数的设计
3.2 1DCNN的损失函数和网络传播过程
3.2.1 Softmax的交叉熵损失函数
3.2.2 全连接层的传播过程
3.2.3 一维卷积层传播过程
3.2.4 最大池化传播过程
3.3 Adam优化
3.4 1DCNN性能测试
3.4.1 实际测试的模型参数和网络结构
3.4.2 固定负载的测试结果
3.4.3 混合负载的测试结果
3.5 本章小结
第四章 算法的抗噪性能设计
4.1 引言
4.2 1DCNN初始模型抗噪性能测试
4.3 1DCNN针对抗噪性能的优化
4.3.1 批大小对抗噪性能的影响
4.3.2 正则化处理
4.3.3 批标准化处理
4.3.4 随机失活算法
4.3.5 卷积核大小对网络性能的影响
4.3.6 抗噪声最终方案
4.4 本章小结
第五章 故障诊断软件平台设计
5.1 上位机软件系统设计
5.1.1 软件主体结构设计
5.1.2 通讯协议与通讯方式的选择
5.2 上位机界面和功能
5.2.1 节点切换部分
5.2.2 数据显示部分
5.2.3 功能选择部分
5.2.4 实时诊断功能的实现
5.3 软件平台实际测试
5.3.1 数据采集系统介绍
5.3.2 上位机功能测试
5.3.3 故障诊断功能测试
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]基于多任务深度学习的齿轮箱多故障诊断方法[J]. 赵晓平,吴家新,钱承山,张永宏,王丽华. 振动与冲击. 2019(23)
[2]基于平移不变CNN的机械故障诊断研究[J]. 朱会杰,王新晴,芮挺,张欲保,李艳峰. 振动与冲击. 2019(05)
[3]卷积神经网络在机械设备故障诊断领域应用与挑战[J]. 黄鑫,陈仁祥,黄钰. 制造技术与机床. 2019(01)
[4]Adam优化的CNN超分辨率重建[J]. 赵小强,宋昭漾. 计算机科学与探索. 2019(05)
[5]旋转机械故障诊断与状态监测发展综述[J]. 吴秀星,关佳亮. 设备管理与维修. 2018(10)
[6]基于AGA优化BP神经网络的矿井通风机故障诊断[J]. 余发山,高勇. 软件导刊. 2017(09)
[7]一种机械故障诊断多传感器数据融合特征提取的方法[J]. 王江萍,娄尚,杨志芹. 西安石油大学学报(自然科学版). 2017(01)
[8]基于经验小波变换的机械故障诊断方法研究[J]. 李志农,朱明,褚福磊,肖尧先. 仪器仪表学报. 2014(11)
[9]基于瞬时能量熵和SVM的滚动轴承故障诊断[J]. 姚亚夫,张星. 电子测量与仪器学报. 2013(10)
[10]基于GA-SVM的多总线自动化测试系统故障诊断优化研究[J]. 宋冬冬,马玉泉,林红举. 电子测量与仪器学报. 2013(02)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
本文编号：3471016
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3471016.html
