基于卷积神经网络旋转机械故障诊断技术研究
发布时间：2022-01-24 13:24
旋转机械在国民经济当中有着较为广泛的应用,处于高端机械装备当中的旋转机械如果发生了故障那么往往会造成很大的经济损失,甚至是有可能会造成人员的伤亡。对于旋转机械进行故障诊断和在线监测技术的研究可以快速的提前发现故障并且定位故障,这在工程中意义非凡。在科技当中,尤其是自动化与信息化飞速发展的当下,航空航天、能源、制造等相关机械装备的智能化程度日新月异,复杂性也越来越高,在这一背景之下以往对信号进行特征提取的诊断方法对于当前复杂系统的故障诊断逐渐已经不再适用,因此如果想要提高复杂系统的可靠性,那么在当前由数据驱动发展的数字化以及智能化的大背景之下,对于复杂系统如何进行智能化故障诊断方法的研究也就具有着极为重大的意义。“特征提取”以及“模式识别”是故障诊断当中的两个重要的互补问题,解决不善可对故障诊断效果产生较大的影响,放眼现行的由工作人员通过相关的先验知识来进行特征提取的方法极大的限制了故障诊断的准确度以及自动化程度。反观深度卷积模型的深度学习方法则能够更好的进行特征提取,而且可以直接的对信号来进行识别,因此它在旋转机械故障信号的“特征提取”与“模式识别”上具有着良好的应用场景。本文开展了针...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
纯净模拟信号加入一定信噪比的高斯白噪声后所得到的含噪信号如图2.6所示：
第2章基于CEEMDAN自适应去噪方法研究212log(N)（2-30）2.4信号模拟为了验证本文所设计的去噪方法的有效性，首先模拟一个信号并加入一定信噪比的高斯白噪声，然后分别通过不同的去噪方法来进行对比，式2-31即为本节所用到的模拟信号y5sin(10t)sin(2t)4cos(2t)（2-31）纯净的模拟信号如图2.5所示：图2.5纯净模拟信号加入一定信噪比的高斯白噪声后所得到的含噪信号如图2.6所示：图2.6含噪模拟信号将带噪信号经CEEMDAN分解为多个IMF，并分别计算每个IMF的排列熵。图2.7为带噪信号经CEEMDAN分解出的7层IMF分量，在此之后分别计算出所构建的模拟信号的7个IMF的排列熵值，结果如表2.2所示。可以计算得出这7个IMF排列熵的均值为1.602，则选取高于均值，即前三个高频分量来进行小波阈值去噪处理并且保留着剩余的低频分量来完成信号的
吉林大学硕士毕业论文22重构，其中小波阈值去噪处理所选择的参数为：小波基选择db8，分解层数选为5层，去噪的阈值选为固定阈值，阈值函数选为软阈值函数。最后对这些IMF信号进行重构，模拟信号经去噪后所得到的信号如图2.8所示：表2.2不同IMF的排列熵值IMF序号排列熵值IMF12.578IMF22.249IMF31.738IMF41.412IMF51.115IMF61.076IMF71.010平均IMF1.602图2.7模拟信号经CEEMDAN分解的IMF分量
【参考文献】：
期刊论文
[1]基于卷积神经网络的数控机床滚珠丝杠副故障诊断研究[J]. 唐旭,谭继文,徐卫晓,井陆阳. 煤矿机械. 2019(01)
[2]基于MWT和CNN的滚动轴承智能复合故障诊断方法[J]. 韩涛,袁建虎,唐建,安立周. 机械传动. 2016(12)
[3]深度学习在控制领域的研究现状与展望[J]. 段艳杰,吕宜生,张杰,赵学亮,王飞跃. 自动化学报. 2016(05)
[4]基于MSET方法的风电机组齿轮箱预警仿真研究[J]. 孙建平,朱雯,翟永杰,葛建宏. 系统仿真学报. 2013(12)
[5]数控机床可靠性技术的研究进展[J]. 杨兆军,陈传海,陈菲,李国发. 机械工程学报. 2013(20)
[6]风电机组齿轮箱温度趋势状态监测及分析方法[J]. 郭鹏,David Infield,杨锡运. 中国电机工程学报. 2011(32)
[7]基于LMD与神经网络的滚动轴承故障诊断方法[J]. 程军圣,史美丽,杨宇. 振动与冲击. 2010(08)
[8]数控机床可靠性国内外现状与技术发展策略[J]. 贾亚洲,杨兆军. 中国制造业信息化. 2008(08)
[9]基于EMD与神经网络的滚动轴承故障诊断方法[J]. 杨宇,于德介,程军圣. 振动与冲击. 2005(01)
[10]一种基于SVM和EMD的齿轮故障诊断方法[J]. 于德介,杨宇,程军圣. 机械工程学报. 2005(01)
博士论文
[1]基于振动信号处理的滚动轴承故障诊断方法研究[D]. 王晓龙.华北电力大学(北京) 2017
[2]齿轮箱复合故障诊断特征提取的若干方法研究[D]. 王志坚.太原理工大学 2015
[3]基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D]. 从飞云.上海交通大学 2012
[4]基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究[D]. 黄伟国.中国科学技术大学 2010
[5]基于Hilbert-Huang变换的旋转机械故障诊断方法研究[D]. 程军圣.湖南大学 2005
硕士论文
[1]基于轨旁声学信号的城轨列车滚动轴承故障诊断研究[D]. 蒋杰.南京理工大学 2017
[2]基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D]. 邵海贺.长春工业大学 2016
[3]基于EEMD的滚动轴承振动故障特征提取与诊断研究[D]. 刘觉晓.华北电力大学 2015
本文编号：3606652
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
纯净模拟信号加入一定信噪比的高斯白噪声后所得到的含噪信号如图2.6所示：
第2章基于CEEMDAN自适应去噪方法研究212log(N)（2-30）2.4信号模拟为了验证本文所设计的去噪方法的有效性，首先模拟一个信号并加入一定信噪比的高斯白噪声，然后分别通过不同的去噪方法来进行对比，式2-31即为本节所用到的模拟信号y5sin(10t)sin(2t)4cos(2t)（2-31）纯净的模拟信号如图2.5所示：图2.5纯净模拟信号加入一定信噪比的高斯白噪声后所得到的含噪信号如图2.6所示：图2.6含噪模拟信号将带噪信号经CEEMDAN分解为多个IMF，并分别计算每个IMF的排列熵。图2.7为带噪信号经CEEMDAN分解出的7层IMF分量，在此之后分别计算出所构建的模拟信号的7个IMF的排列熵值，结果如表2.2所示。可以计算得出这7个IMF排列熵的均值为1.602，则选取高于均值，即前三个高频分量来进行小波阈值去噪处理并且保留着剩余的低频分量来完成信号的
吉林大学硕士毕业论文22重构，其中小波阈值去噪处理所选择的参数为：小波基选择db8，分解层数选为5层，去噪的阈值选为固定阈值，阈值函数选为软阈值函数。最后对这些IMF信号进行重构，模拟信号经去噪后所得到的信号如图2.8所示：表2.2不同IMF的排列熵值IMF序号排列熵值IMF12.578IMF22.249IMF31.738IMF41.412IMF51.115IMF61.076IMF71.010平均IMF1.602图2.7模拟信号经CEEMDAN分解的IMF分量
【参考文献】：
期刊论文
[1]基于卷积神经网络的数控机床滚珠丝杠副故障诊断研究[J]. 唐旭,谭继文,徐卫晓,井陆阳. 煤矿机械. 2019(01)
[2]基于MWT和CNN的滚动轴承智能复合故障诊断方法[J]. 韩涛,袁建虎,唐建,安立周. 机械传动. 2016(12)
[3]深度学习在控制领域的研究现状与展望[J]. 段艳杰,吕宜生,张杰,赵学亮,王飞跃. 自动化学报. 2016(05)
[4]基于MSET方法的风电机组齿轮箱预警仿真研究[J]. 孙建平,朱雯,翟永杰,葛建宏. 系统仿真学报. 2013(12)
[5]数控机床可靠性技术的研究进展[J]. 杨兆军,陈传海,陈菲,李国发. 机械工程学报. 2013(20)
[6]风电机组齿轮箱温度趋势状态监测及分析方法[J]. 郭鹏,David Infield,杨锡运. 中国电机工程学报. 2011(32)
[7]基于LMD与神经网络的滚动轴承故障诊断方法[J]. 程军圣,史美丽,杨宇. 振动与冲击. 2010(08)
[8]数控机床可靠性国内外现状与技术发展策略[J]. 贾亚洲,杨兆军. 中国制造业信息化. 2008(08)
[9]基于EMD与神经网络的滚动轴承故障诊断方法[J]. 杨宇,于德介,程军圣. 振动与冲击. 2005(01)
[10]一种基于SVM和EMD的齿轮故障诊断方法[J]. 于德介,杨宇,程军圣. 机械工程学报. 2005(01)
博士论文
[1]基于振动信号处理的滚动轴承故障诊断方法研究[D]. 王晓龙.华北电力大学(北京) 2017
[2]齿轮箱复合故障诊断特征提取的若干方法研究[D]. 王志坚.太原理工大学 2015
[3]基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D]. 从飞云.上海交通大学 2012
[4]基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究[D]. 黄伟国.中国科学技术大学 2010
[5]基于Hilbert-Huang变换的旋转机械故障诊断方法研究[D]. 程军圣.湖南大学 2005
硕士论文
[1]基于轨旁声学信号的城轨列车滚动轴承故障诊断研究[D]. 蒋杰.南京理工大学 2017
[2]基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D]. 邵海贺.长春工业大学 2016
[3]基于EEMD的滚动轴承振动故障特征提取与诊断研究[D]. 刘觉晓.华北电力大学 2015
本文编号：3606652
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3606652.html
