基于数据生成模型的故障诊断与RUL预测方法研究

发布时间：2022-01-15 09:08

　　智能制造过程中机械设备的预测维护可以实现从定期维修到视情维修的过渡,实时精确的早期故障诊断和精确的剩余寿命预测是预测维护领域中的两个研究热点。作为一种有效的数据特征提取工具,深度学习在数据驱动的故障诊断和剩余寿命预测中受到广泛关注,但其有效性取决于可用样本的数量和质量。早期缓变故障诊断时的数据不均衡问题会使早期故障诊断的结果不可靠,进而导致非精确的剩余寿命预测。另一方面,海量全寿命周期数据是制约基于深度学习的剩余寿命预测模型精确性的关键因素。在无法获得设备精确机理模型的情况下,本文结合数据生成模型研究DNN、LSTM等深度学习方法用于机电设备故障预测维护时因数据不均衡、全寿命周期数据缺乏而导致的难题。论文的主要创新点如下:（1）提出一种基于全局优化GAN的非均衡数据深度学习故障诊断方法,以克服传统GAN用于不均衡数据故障诊断时先训练GAN、再训练DNN诊断模型的两阶段方法固有的不足。该方法首先设计了新的数据生成模型,将原始数据的特征用于生成器的训练过程中,充分利用有限不均衡故障样本中的有用信息。同时将故障诊断模型作为GAN的一个判别器,并将故障诊断的误差用于指导生成器的训练。然后,设计... 

【文章来源】：河南大学河南省

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

轴承数据采集实验平台[79]

【参考文献】：
期刊论文
[1]基于贝叶斯统计推断的时间序列预测模型的优化[J]. 王安.  太原学院学报(自然科学版). 2019(04)
[2]基于EMD与卷积神经网络的滚动轴承故障诊断[J]. 王海龙,夏筱筠,孙维堂.  组合机床与自动化加工技术. 2019(10)
[3]基于机器学习的设备剩余寿命预测方法综述[J]. 裴洪,胡昌华,司小胜,张建勋,庞哲楠,张鹏.  机械工程学报. 2019(08)
[4]基于机器学习算法的寿命预测与故障诊断技术的发展综述[J]. 郭一帆,唐家银.  计算机测量与控制. 2019(03)
[5]不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究[J]. 包萍,刘运节.  电子测量与仪器学报. 2019(03)
[6]CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究[J]. 张立智,井陆阳,徐卫晓,谭继文.  机械科学与技术. 2019(10)
[7]基于数据驱动的变换器故障诊断综述[J]. 黄丽梅,张旗.  电气技术. 2019(02)
[8]基于深度置信网络和信息融合技术的轴承故障诊断[J]. 蒋黎明,李友荣,徐增丙,鲁光涛.  武汉科技大学学报. 2019(01)
[9]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)
[10]基于数据驱动的运载火箭贮箱故障诊断方法研究[J]. 黄霞,迟宏波,孙超,孙莹,余海东,李志敏,杜岩峰,田志杰.  航天制造技术. 2018(04)



本文编号：3590336