一类轴系设备故障诊断的机器学习方法

发布时间：2022-08-09 10:05

　　随着生产发展和科学技术的现代化,使得现代机械设备的结构愈加复杂,各种各样的功能也愈发全面,机械设备自动化的程度也在不断的提高,给经济发展提供了重要贡献。而轴系设备是其中重要的组成结构。由于许多因素的影响,轴系设备具有其使用寿命,且容易发生故障,可能导致降低其预期功效,停止运转等,甚至造成更严重的灾难性事故。及时发现故障,识别故障类型,不仅有助于延长其使用寿命,也能够有效的避免危险事故的发生。因此,轴系设备故障诊断方法的研究是十分重要的。近年来,随着机器学习算法的飞速发展,因其自动化程度高,速度快等优势,被广泛的应用于各类设备的故障诊断中。因此,本文针对基于机器学习的轴系设备故障诊断方法展开研究,主要包括三大步骤:数据采集,数据预处理,分类器训练与分类。即,采用传感器对设备状态进行监测,对采集到的数据进行预处理以提取特征信息,基于特征信息设计模态分类器,对设备当前运行模态进行诊断。仿真数据由ZHS-2型柔性转子试验台得到。创新性工作主要体现在数据预处理阶段和分类器训练阶段。主要包括如下工作:1.为得到机器学习训练和测试样本,则需要对原始时域数据进行分割。对于轴系设备而言,以单个旋转周期为... 

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 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 基于解析模型的方法
        1.2.2 基于知识的故障诊断方法
        1.2.3 基于数据驱动的故障诊断方法
    1.3 本文的研究内容
    1.4 数据介绍
    1.5 论文的各章节安排
2 基础理论
    2.1 快速傅里叶变换
    2.2 BP神经网络
        2.2.1 BP神经网络的基本结构
        2.2.2 BP神经网络的原理
    2.3 序贯核极限学习机理论
        2.3.1 核极限学习机理论
        2.3.2 序贯核极限学习机
    2.4 循环双谱
        2.4.1 高阶矩与高阶累积量的定义和性质
        2.4.2 双谱的定义与性质
    2.5 本章小结
3 基于非固有采样周期的数据预处理方法
    3.1 引言
    3.2 分割方法与时频转换
    3.3 折段加权融合方式
    3.4 折段合并融合方式
    3.5 直接融合方式
    3.6 基于BP神经网络的故障分类方法
        3.6.1 本文所采用的BP神经网络结构
        3.6.2 仿真
    3.7 本章小结
4 基于多序贯核极限学习机网络的故障诊断方法
    4.1 引言
    4.2 基于卡尔曼滤波的序贯核极限学习机
    4.3 多KF-S-KELM网络
    4.4 仿真
    4.5 本章小结
5 基于循环双谱切片分析的故障诊断方法
    5.1 引言
    5.2 循环双谱估计与故障诊断
    5.3 仿真
    5.4 本章小结
结论
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果



本文编号：3672359