基于深度学习和迁移学习的小样本柱塞泵健康评估
发布时间：2021-11-28 05:40
柱塞泵作为液压系统的动力元件,其健康状态会对液压系统的工作状态产生直接影响。因此,对于柱塞泵进行健康状态评估,实时地对其工作状态进行监测是非常有必要的。传统的机器学习方法在柱塞泵故障诊断和健康状态评估中已经取得了不错的效果。然而,当数据量不足时,传统的机器学习方法不再有效。针对数据量不足时如何对柱塞泵健康状态建立预测模型的问题,提出了两种不同的解决方法。提出了一种基于深度迁移学习的柱塞泵健康评估方法。首先将原始时域信号转换为频域信号,然后利用基于TrAdaboost算法的深度迁移学习算法来提高健康评估的准确率。TrAdaboost算法用若干个弱分类器来组成一个强分类器,用卷积神经网络（Convolutional neural network,CNN）用来训练每一个弱分类器。通过实验验证了该方法的准确率,并取得了一个很好的结果。提出了一种基于对抗式生成网络的迁移学习健康评估方法。该模型用对抗式生成网络模拟每一类真实数据,生成大量带有标签的模拟数据。然后用卷积神经网络在大量模拟数据上训练一个深度学习预测模型。最后用迁移学习的思想,在真实数据上对卷积神经网络进行微调,来建立真实数据的深度学习...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
柱塞泵Fig.2-1Plungerpump
第二章柱塞泵的工作特性及健康状态10性能衰退是指随着设备使用时间的增加，设备性能发生了变化，最后导致设备功能失效的物理或化学过程，如机械部件发生磨损、材料发生老化、元器件电学性能发生衰退、金属部件被腐蚀、部件发生疲劳裂纹等，这些因素都加速着机械设备的劣化。柱塞泵在使用一段时间后，可能会出现输出流量不足、输出压力异常、振动和噪声等现象，其根本就是柱塞泵性能衰退。通常柱塞泵性能衰退的现象及原因如表2-1所示。表2-1柱塞泵性能衰退的现象及原因Tab.2-1Thephenomenonandreasonoftheperformancedeclineoftheplungerpump现象原因输出流量不足吸入量不够、泄漏量过大输出压力低柱塞泵存在泄漏振动和噪声旋转轴承损伤、垫圈破损柱塞泵过热摩擦、泄露2.3实验案例本研究实验部分测试了不同健康状态下的柱塞泵出口压力、振动等信号。实验室中采用的是川崎斜盘式轴向柱塞泵K3V112DTH100R2N01。实验装置图如图2-3。图2-3实验室系统Fig.2-3Laboratoryhydraulicsystem2.2柱塞泵的性能衰退及原因
上海交通大学硕士学位论文11其简化的液压原理图如图2-4。图2-4液压系统原理图1、电机2、待测泵3、振动传感器4、溢流阀5、油箱6、压力传感器Fig.2-4SchematicdiagramofhydraulicsystemWhere，1.motor2.pump3.vibrationsensor4.reliefvalve5.Tank6.pressuresensor实验室主要器材如下表2-2:表2-2实验室主要元件Table2-2Maincomponentsoflaboratory序号元件名代号1234测试泵振动传感器变频电机数据采集卡K3vJX61GQABP80M4APCI-E8025实验中共有三种不同健康状态的泵，分别从全新的1号泵到使用约2000小时的2号泵再到已经使用3500小时即将报废的3号泵，分别在1500rpm、1800rpm、2200rpm转速条件下运行大约800秒，用不同传感器记录运行过程中的各种信号，包括振动、出口压力、温度等信号。
【参考文献】：
期刊论文
[1]采用深度学习的异步电机故障诊断方法[J]. 王丽华,谢阳阳,张永宏,赵晓平,周子贤. 西安交通大学学报. 2017(10)
[2]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[3]基于栈式降噪自编码的故障诊断[J]. 朱煜奇,黄双喜,杨天祺,孙洁香. 制造业自动化. 2017(03)
[4]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[5]基于多路稀疏自编码的轴承状态动态监测[J]. 张绍辉. 振动与冲击. 2016(19)
[6]基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 魏东,龚庆武,来文青,王波,刘栋,乔卉,林刚. 中国电机工程学报. 2016(S1)
[7]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报. 2016(09)
[8]基于PSO优化的RBF网络液压泵故障诊断研究[J]. 沈美杰,赵龙章,周兵,周崇明. 液压与气动. 2016(05)
[9]基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 孙文珺,邵思羽,严如强. 机械工程学报. 2016(09)
[10]基于深度学习的发电机故障挖掘方法研究[J]. 谢川. 电网与清洁能源. 2016(02)
博士论文
[1]轴向柱塞泵的虚拟样机及油膜压力特性研究[D]. 张斌.浙江大学 2009
硕士论文
[1]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016
[2]云平台下基于深度学习的高速列车走行部故障诊断技术研究[D]. 谢吉朋.西南交通大学 2015
[3]柱塞泵泄漏故障智能诊断系统研究[D]. 于文征.南京理工大学 2002
本文编号：3523817
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
柱塞泵Fig.2-1Plungerpump
第二章柱塞泵的工作特性及健康状态10性能衰退是指随着设备使用时间的增加，设备性能发生了变化，最后导致设备功能失效的物理或化学过程，如机械部件发生磨损、材料发生老化、元器件电学性能发生衰退、金属部件被腐蚀、部件发生疲劳裂纹等，这些因素都加速着机械设备的劣化。柱塞泵在使用一段时间后，可能会出现输出流量不足、输出压力异常、振动和噪声等现象，其根本就是柱塞泵性能衰退。通常柱塞泵性能衰退的现象及原因如表2-1所示。表2-1柱塞泵性能衰退的现象及原因Tab.2-1Thephenomenonandreasonoftheperformancedeclineoftheplungerpump现象原因输出流量不足吸入量不够、泄漏量过大输出压力低柱塞泵存在泄漏振动和噪声旋转轴承损伤、垫圈破损柱塞泵过热摩擦、泄露2.3实验案例本研究实验部分测试了不同健康状态下的柱塞泵出口压力、振动等信号。实验室中采用的是川崎斜盘式轴向柱塞泵K3V112DTH100R2N01。实验装置图如图2-3。图2-3实验室系统Fig.2-3Laboratoryhydraulicsystem2.2柱塞泵的性能衰退及原因
上海交通大学硕士学位论文11其简化的液压原理图如图2-4。图2-4液压系统原理图1、电机2、待测泵3、振动传感器4、溢流阀5、油箱6、压力传感器Fig.2-4SchematicdiagramofhydraulicsystemWhere，1.motor2.pump3.vibrationsensor4.reliefvalve5.Tank6.pressuresensor实验室主要器材如下表2-2:表2-2实验室主要元件Table2-2Maincomponentsoflaboratory序号元件名代号1234测试泵振动传感器变频电机数据采集卡K3vJX61GQABP80M4APCI-E8025实验中共有三种不同健康状态的泵，分别从全新的1号泵到使用约2000小时的2号泵再到已经使用3500小时即将报废的3号泵，分别在1500rpm、1800rpm、2200rpm转速条件下运行大约800秒，用不同传感器记录运行过程中的各种信号，包括振动、出口压力、温度等信号。
【参考文献】：
期刊论文
[1]采用深度学习的异步电机故障诊断方法[J]. 王丽华,谢阳阳,张永宏,赵晓平,周子贤. 西安交通大学学报. 2017(10)
[2]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[3]基于栈式降噪自编码的故障诊断[J]. 朱煜奇,黄双喜,杨天祺,孙洁香. 制造业自动化. 2017(03)
[4]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[5]基于多路稀疏自编码的轴承状态动态监测[J]. 张绍辉. 振动与冲击. 2016(19)
[6]基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 魏东,龚庆武,来文青,王波,刘栋,乔卉,林刚. 中国电机工程学报. 2016(S1)
[7]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报. 2016(09)
[8]基于PSO优化的RBF网络液压泵故障诊断研究[J]. 沈美杰,赵龙章,周兵,周崇明. 液压与气动. 2016(05)
[9]基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 孙文珺,邵思羽,严如强. 机械工程学报. 2016(09)
[10]基于深度学习的发电机故障挖掘方法研究[J]. 谢川. 电网与清洁能源. 2016(02)
博士论文
[1]轴向柱塞泵的虚拟样机及油膜压力特性研究[D]. 张斌.浙江大学 2009
硕士论文
[1]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016
[2]云平台下基于深度学习的高速列车走行部故障诊断技术研究[D]. 谢吉朋.西南交通大学 2015
[3]柱塞泵泄漏故障智能诊断系统研究[D]. 于文征.南京理工大学 2002
本文编号：3523817
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3523817.html
