基于深度迁移学习的采煤机摇臂传动系统故障诊断研究
发布时间：2022-08-11 16:08
电牵引采煤机是煤矿综采工作面核心设备,直接影响井下生产安全和效率。随着高采高效矿井建设和薄煤层开采,采煤机的工况进行监测及时获得故障预兆信息,保障安全生产和预知维护迫在眉睫。传统故障诊断方法提取故障特征费时费力,采煤机工况下典型故障数据少、有标签数据不足,给故障诊断造成很大困难。深度学习通过无监督或半监督特征学习算法和分层特征提取可自动提取数据特征,但是需要大量数据去理解潜在的数据模式。迁移学习用于解决训练数据不足的问题,近年来得到广泛关注。因此,论文研究深度迁移学习故障分类方法,将模拟平台传动故障数据训练后获取的故障诊断知识迁移至采煤机故障诊断应用,对实现小样本下的设备故障诊断具有重要意义。论文分析采煤机摇臂部传动系统故障机理与振动特性,针对矿用设备结构几何参数已知与未知两种情况,确定不同的迁移学习策略实现煤机摇臂部传动系统故障分类;提出基于模型迁移学习的模式识别与分类方法解决设备传动系统结构参数未知时故障诊断问题,通过构建预训练深度卷积神经网络模型,将其网络参数迁移至采煤机故障诊断模型中,进一步微调参数实现权值更新及模型优化并结合多标签分类方法,进行复合故障诊断。论文针对煤矿井下采...
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
英文摘要
1. 绪论
1.1 研究背景及意义
1.2 国内外的研究现状及发展趋势
1.2.1 采煤机故障诊断研究现状
1.2.2 振动信号预处理技术研究
1.2.3 智能故障模式识别与分类技术
1.3 研究内容
1.3.1 研究内容
1.3.2 技术路线
2. 采煤机摇臂部传动系统智能故障诊断技术方案
2.1 采煤机摇臂部传动系统故障诊断需求分析
2.1.1 采煤机摇臂部传动系统故障机理与振动特性分析
2.1.2 采煤机摇臂部传动系统智能故障诊断需求分析
2.2 基于深度迁移学习的采煤机智能故障诊断技术方案
2.2.1 振动信号预处理
2.2.2 基于深度迁移学习的故障模式识别与分类
2.2.3 基于深度迁移学习的复合故障多标签分类
2.3 小结
3. 基于奇异值分解降噪和连续小波变换的信号处理
3.1 基于奇异值分解的降噪方法研究
3.1.1 奇异值分解降噪
3.1.2 有效秩阶次确定
3.2 时频分析方法研究
3.2.1 基于短时傅里叶变换的时频分析
3.2.2 基于连续小波变换的时频分析
3.3 仿真分析
3.3.1 奇异值分解降噪效果分析
3.3.2 连续小波变换时频分析
3.4 小结
4. 基于深度迁移学习的故障模式识别与分类
4.1 迁移学习与深度卷积神经网络
4.1.1 基于深度模型的迁移学习
4.1.2 VGG-16卷积神经网络
4.2 基于深度迁移学习的故障模式识别与分类
4.2.1 基于深度迁移学习的故障诊断模型
4.2.2 卷积神经网络误差反向传播
4.2.3 基于Adam算法的模型优化
4.3 基于深度迁移学习故障诊断模型的优化
4.3.1 正则化
4.3.2 网络稀疏性优化
4.3.3 层数据分布特征优化
4.4 深度迁移模型实验验证
4.4.1 数据集准备
4.4.2 深层迁移模型对比验证与分析
4.4.3 深层迁移模型优化方案试验分析
4.4.4 数据集特征可视化
4.5 小结
5. 基于深度迁移学习的复合故障多标签分类
5.1 基于深度迁移学习的复合故障多标签分类方法
5.1.1 复合故障多标签分类
5.1.2 基于深度迁移学习的复合故障模型
5.2 复合故障多标签分类实验验证
5.2.1 数据集准备
5.2.2 复合故障多标签分类实验验证
5.3 小结
6. 实验验证
6.1 实验方案
6.2 实验平台搭建
6.3 基于深度迁移学习的故障诊断实验
6.3.1 信号预处理
6.3.2 深度迁移模型故障模式识别与分类
6.4 小结
7. 结论与展望
7.1 结论
7.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]采掘装备绿色设计与评价技术研究[J]. 张旭辉,潘格格,张雨萌,樊红卫,毛清华,车万里,薛旭升,王川伟,赵友军. 工矿自动化. 2020(02)
[2]基于深度自编码网络的采煤机截割部减速器故障诊断[J]. 毛君,郭浩,陈洪月. 煤炭科学技术. 2019(11)
[3]齿轮箱断齿特征识别的S变换-SVD降噪组合方法[J]. 潘高元,李舜酩,杜华蓉,朱彦祺. 振动与冲击. 2019(18)
[4]基于改进VMD和深度置信网络的风机易损部件故障预警[J]. 郑小霞,陈广宁,任浩翰,李东东. 振动与冲击. 2019(08)
[5]粒子群优化的支持向量机在截割部行星齿轮减速器故障诊断中的应用[J]. 任众,张铁山. 机械强度. 2018(06)
[6]基于虚拟样机的采煤机摇臂故障诊断系统[J]. 赵丽娟,付东波,李明昊. 现代制造工程. 2018(11)
[7]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[8]电力设备典型故障案例的文本挖掘[J]. 杜修明,秦佳峰,郭诗瑶,闫丹凤. 高电压技术. 2018(04)
[9]基于奇异熵增量曲率谱的信号降噪方法[J]. 胡林,黄文涛,蔡乾,金江. 制导与引信. 2017(04)
[10]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)
硕士论文
[1]基于数据驱动的采煤机摇臂传动系统故障诊断方法研究[D]. 张鑫媛.西安科技大学 2019
[2]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[3]基于差值尺度谱和卷积神经网络的转子故障诊断方法研究[D]. 庄骏飞.中国石油大学(北京) 2016
[4]基于混沌和小波的采煤机振动故障的研究[D]. 弓晓凤.西安科技大学 2015
[5]基于振动信号的旋转机械运行状态趋势分析与故障诊断[D]. 朱繁泷.江西理工大学 2014
本文编号：3674968
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
英文摘要
1. 绪论
1.1 研究背景及意义
1.2 国内外的研究现状及发展趋势
1.2.1 采煤机故障诊断研究现状
1.2.2 振动信号预处理技术研究
1.2.3 智能故障模式识别与分类技术
1.3 研究内容
1.3.1 研究内容
1.3.2 技术路线
2. 采煤机摇臂部传动系统智能故障诊断技术方案
2.1 采煤机摇臂部传动系统故障诊断需求分析
2.1.1 采煤机摇臂部传动系统故障机理与振动特性分析
2.1.2 采煤机摇臂部传动系统智能故障诊断需求分析
2.2 基于深度迁移学习的采煤机智能故障诊断技术方案
2.2.1 振动信号预处理
2.2.2 基于深度迁移学习的故障模式识别与分类
2.2.3 基于深度迁移学习的复合故障多标签分类
2.3 小结
3. 基于奇异值分解降噪和连续小波变换的信号处理
3.1 基于奇异值分解的降噪方法研究
3.1.1 奇异值分解降噪
3.1.2 有效秩阶次确定
3.2 时频分析方法研究
3.2.1 基于短时傅里叶变换的时频分析
3.2.2 基于连续小波变换的时频分析
3.3 仿真分析
3.3.1 奇异值分解降噪效果分析
3.3.2 连续小波变换时频分析
3.4 小结
4. 基于深度迁移学习的故障模式识别与分类
4.1 迁移学习与深度卷积神经网络
4.1.1 基于深度模型的迁移学习
4.1.2 VGG-16卷积神经网络
4.2 基于深度迁移学习的故障模式识别与分类
4.2.1 基于深度迁移学习的故障诊断模型
4.2.2 卷积神经网络误差反向传播
4.2.3 基于Adam算法的模型优化
4.3 基于深度迁移学习故障诊断模型的优化
4.3.1 正则化
4.3.2 网络稀疏性优化
4.3.3 层数据分布特征优化
4.4 深度迁移模型实验验证
4.4.1 数据集准备
4.4.2 深层迁移模型对比验证与分析
4.4.3 深层迁移模型优化方案试验分析
4.4.4 数据集特征可视化
4.5 小结
5. 基于深度迁移学习的复合故障多标签分类
5.1 基于深度迁移学习的复合故障多标签分类方法
5.1.1 复合故障多标签分类
5.1.2 基于深度迁移学习的复合故障模型
5.2 复合故障多标签分类实验验证
5.2.1 数据集准备
5.2.2 复合故障多标签分类实验验证
5.3 小结
6. 实验验证
6.1 实验方案
6.2 实验平台搭建
6.3 基于深度迁移学习的故障诊断实验
6.3.1 信号预处理
6.3.2 深度迁移模型故障模式识别与分类
6.4 小结
7. 结论与展望
7.1 结论
7.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]采掘装备绿色设计与评价技术研究[J]. 张旭辉,潘格格,张雨萌,樊红卫,毛清华,车万里,薛旭升,王川伟,赵友军. 工矿自动化. 2020(02)
[2]基于深度自编码网络的采煤机截割部减速器故障诊断[J]. 毛君,郭浩,陈洪月. 煤炭科学技术. 2019(11)
[3]齿轮箱断齿特征识别的S变换-SVD降噪组合方法[J]. 潘高元,李舜酩,杜华蓉,朱彦祺. 振动与冲击. 2019(18)
[4]基于改进VMD和深度置信网络的风机易损部件故障预警[J]. 郑小霞,陈广宁,任浩翰,李东东. 振动与冲击. 2019(08)
[5]粒子群优化的支持向量机在截割部行星齿轮减速器故障诊断中的应用[J]. 任众,张铁山. 机械强度. 2018(06)
[6]基于虚拟样机的采煤机摇臂故障诊断系统[J]. 赵丽娟,付东波,李明昊. 现代制造工程. 2018(11)
[7]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[8]电力设备典型故障案例的文本挖掘[J]. 杜修明,秦佳峰,郭诗瑶,闫丹凤. 高电压技术. 2018(04)
[9]基于奇异熵增量曲率谱的信号降噪方法[J]. 胡林,黄文涛,蔡乾,金江. 制导与引信. 2017(04)
[10]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)
硕士论文
[1]基于数据驱动的采煤机摇臂传动系统故障诊断方法研究[D]. 张鑫媛.西安科技大学 2019
[2]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[3]基于差值尺度谱和卷积神经网络的转子故障诊断方法研究[D]. 庄骏飞.中国石油大学(北京) 2016
[4]基于混沌和小波的采煤机振动故障的研究[D]. 弓晓凤.西安科技大学 2015
[5]基于振动信号的旋转机械运行状态趋势分析与故障诊断[D]. 朱繁泷.江西理工大学 2014
本文编号：3674968
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3674968.html
