基于双稀疏和深度信念网络的滚动轴承故障诊断方法
发布时间：2022-09-28 15:21
滚动轴承智能故障诊断技术是旋转机械状态监测领域的研究热点,其中,特征提取是数据驱动背景下滚动轴承智能故障诊断方法中的关键技术。传统的基于时频域提取的故障特征具有很强的主观性,工作内容繁杂且获取的特征有时不能很好地表征信号本身所蕴含的故障特征信息,区分度较低。针对于此,将信号稀疏表示理论应用于故障诊断领域,研究了基于双稀疏和结合深度信念网络的滚动轴承故障诊断方法。本文的研究成果如下:（1）针对传统的智能故障诊断方法中,特征提取时采用时频域的特征参数有时无法全面地描述信号故障类别本身的特点,提出了一种基于双稀疏字典学习算法稀疏表示的滚动轴承特征提取方法。首先根据双稀疏字典学习算法分别训练子字典,然后为了降低特征维度,根据所选用的稀疏分解算法,剔除各类故障信号训练获得的双稀疏子字典中的冗余原子,然后将剩下的原子按顺序排列,获得最终的双稀疏综合字典用以提取故障特征。仿真实验结果表明,该方法在所获得的滚动轴承稀疏表示特征信号不仅降低了原始信号的特征维度,而且稀疏表示信号的数据点是稀疏的,每一类故障的特征信号稀疏点分布位置明显有别于其他信号。（2）传统的滚动轴承智能故障诊断方法中,采用时频域特征进...
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题的提出及研究意义
1.2 国内外研究现状综述
1.2.1 机械故障诊断技术国内外研究现状
1.2.2 稀疏表示理论的研究现状
1.2.3 深度学习理论的研究现状
1.3 论文结构
第2章 稀疏表示理论与深度信念网络
2.1 稀疏表示理论
2.1.1 稀疏表示理论
2.1.2 K-SVD算法
2.2 深度信念网络
2.2.1 模式识别
2.2.2 人工神经网络基本原理
2.2.3 深度信念网络简介
2.3 本章总结
第3章 基于双稀疏综合字典的滚动轴承特征表示方法
3.1 双稀疏字典学习算法
3.2 基于双稀疏综合字典稀疏表示特征提取模型整体设计
3.2.1 基于双稀疏综合字典稀疏表示特征提取模型的构造原理
3.2.2 基于双稀疏综合字典特征提取方法可行性分析
3.2.3 基于双稀疏综合字典特征提取方法总体设计
3.3 仿真实验与结果分析
3.3.1 基于双稀疏综合字典的故障特征提取方法参数分析
3.3.2 基于双稀疏综合字典特征提取结果及可分类性
3.4 本章总结
第4章 基于双稀疏和深度信念网络的滚动轴承故障诊断方法
4.1 深度信念网络
4.1.1 受限玻尔兹曼机
4.1.2 深度信念网络的构建
4.2 基于双稀疏综合字典结合深度网络的故障诊断模型总体设计
4.3 仿真实验与结果分析
4.3.1 基于稀疏表示特征信号的深度信念网络参数分析
4.3.2 基于双稀疏结合深度信念网络的滚动轴承故障诊断结果
4.4 本章总结
第5章 双稀疏综合字典在故障诊断中的作用分析
5.1 常用智能故障诊断方法简述
5.2 仿真实验与结果分析
5.2.1 常用智能故障诊断方法与所提方法的诊断效果对比与分析
5.2.2 双稀疏综合字典在故障诊断中的作用分析
5.3 本章总结
结论与展望
本文工作总结
展望
参考文献
致谢
附录A 攻读学位期间所撰写及录用的学术论文
【参考文献】：
期刊论文
[1]基于双稀疏字典模型机械振动信号压缩感知方法[J]. 郭俊锋,石斌,雷春丽,魏兴春,李海燕. 机械工程学报. 2018(06)
[2]一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法[J]. 崔江,唐军祥,龚春英,张卓然. 中国电机工程学报. 2017(19)
[3]基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法[J]. 郭俊锋,石斌,魏兴春,李海燕,王智明. 机械工程学报. 2018(07)
[4]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[5]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)
[6]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)
[7]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪. 计算机系统应用. 2016(08)
[8]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼. 振动工程学报. 2016(02)
[9]基于BP神经网络和SVM的分类方法研究[J]. 王宏涛,孙剑伟. 软件. 2015(11)
[10]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
博士论文
[1]复杂信息网络的智能计算模型与算法研究[D]. 薛珊.上海大学 2018
[2]分块稀疏表示的理论及算法研究[D]. 邹健.华南理工大学 2012
本文编号：3681905
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题的提出及研究意义
1.2 国内外研究现状综述
1.2.1 机械故障诊断技术国内外研究现状
1.2.2 稀疏表示理论的研究现状
1.2.3 深度学习理论的研究现状
1.3 论文结构
第2章 稀疏表示理论与深度信念网络
2.1 稀疏表示理论
2.1.1 稀疏表示理论
2.1.2 K-SVD算法
2.2 深度信念网络
2.2.1 模式识别
2.2.2 人工神经网络基本原理
2.2.3 深度信念网络简介
2.3 本章总结
第3章 基于双稀疏综合字典的滚动轴承特征表示方法
3.1 双稀疏字典学习算法
3.2 基于双稀疏综合字典稀疏表示特征提取模型整体设计
3.2.1 基于双稀疏综合字典稀疏表示特征提取模型的构造原理
3.2.2 基于双稀疏综合字典特征提取方法可行性分析
3.2.3 基于双稀疏综合字典特征提取方法总体设计
3.3 仿真实验与结果分析
3.3.1 基于双稀疏综合字典的故障特征提取方法参数分析
3.3.2 基于双稀疏综合字典特征提取结果及可分类性
3.4 本章总结
第4章 基于双稀疏和深度信念网络的滚动轴承故障诊断方法
4.1 深度信念网络
4.1.1 受限玻尔兹曼机
4.1.2 深度信念网络的构建
4.2 基于双稀疏综合字典结合深度网络的故障诊断模型总体设计
4.3 仿真实验与结果分析
4.3.1 基于稀疏表示特征信号的深度信念网络参数分析
4.3.2 基于双稀疏结合深度信念网络的滚动轴承故障诊断结果
4.4 本章总结
第5章 双稀疏综合字典在故障诊断中的作用分析
5.1 常用智能故障诊断方法简述
5.2 仿真实验与结果分析
5.2.1 常用智能故障诊断方法与所提方法的诊断效果对比与分析
5.2.2 双稀疏综合字典在故障诊断中的作用分析
5.3 本章总结
结论与展望
本文工作总结
展望
参考文献
致谢
附录A 攻读学位期间所撰写及录用的学术论文
【参考文献】：
期刊论文
[1]基于双稀疏字典模型机械振动信号压缩感知方法[J]. 郭俊锋,石斌,雷春丽,魏兴春,李海燕. 机械工程学报. 2018(06)
[2]一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法[J]. 崔江,唐军祥,龚春英,张卓然. 中国电机工程学报. 2017(19)
[3]基于K-SVD字典学习算法的稀疏表示振动信号压缩测量重构方法[J]. 郭俊锋,石斌,魏兴春,李海燕,王智明. 机械工程学报. 2018(07)
[4]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[5]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)
[6]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)
[7]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪. 计算机系统应用. 2016(08)
[8]基于深度信念网络的轴承故障分类识别[J]. 李巍华,单外平,曾雪琼. 振动工程学报. 2016(02)
[9]基于BP神经网络和SVM的分类方法研究[J]. 王宏涛,孙剑伟. 软件. 2015(11)
[10]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
博士论文
[1]复杂信息网络的智能计算模型与算法研究[D]. 薛珊.上海大学 2018
[2]分块稀疏表示的理论及算法研究[D]. 邹健.华南理工大学 2012
本文编号：3681905
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3681905.html
