基于深度迁移学习的机械设备智能诊断方法研究

发布时间：2021-07-11 04:08

　　旋转机械广泛应用于航空航天、轨道交通、石油化工、汽车制造和风力发电等关乎国计民生的重要工程领域。开展旋转机械及其关键部件的状态监测和故障诊断,对保障设备健康稳定运行、提升运转效率和避免重大事故发生具有重要的意义。深度学习是包含多个隐藏层的深度神经网络,通过模拟人脑的分层结构,构建多层非线性变换,挖掘输入数据内部隐藏的分布式特征表示。迁移学习,作为一种新的学习范式,基于数据或任务的相似性,能将一个或多个领域学到的知识,通过模型自适应调整,迁移和应用到新的场景中,使模型具备举一反三的能力。因此,本文以深度迁移学习为核心,围绕旋转机械智能诊断领域的若干关键问题,在特征提取和增强、小样本学习、变工况诊断和多传感器信息融合方面展开深入研究,主要内容包括以下四个方面:1)针对机械设备核心部件故障发生时,故障信号微弱,特征提取和学习困难的问题,提出一种基于卷积神经网络和子空间迁移的特征增强方法。考虑信号的循环平稳特性,采用循环谱分析技术获取循环谱相干映射图,有效揭示不同健康状况的特征差异。同时,建立卷积神经网络诊断模型,引入子空间迁移学习技术,构造组归一化和关联对齐两个无监督适配层,自适应调整网络的... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：161 页

【学位级别】：博士

【部分图文】：

论文章节结构安排

对输入图像的卷积操作

池化操作

【参考文献】：
期刊论文
[1]德国工业4.0成熟度标准最新研究[J]. 陈伟康,郑豪.  机械工业标准化与质量. 2020(02)
[2]基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法[J]. 王栋璀,丁云飞,朱晨烜,孙佳林.  电机与控制应用. 2019(01)
[3]基于改进堆叠降噪自编码的滚动轴承故障分类[J]. 侯文擎,叶鸣,李巍华.  机械工程学报. 2018(07)
[4]基于K近邻证据融合的故障诊断方法[J]. 侯平智,张明,徐晓滨,黄大荣.  控制与决策. 2017(10)
[5]美国重振制造业及其对《中国制造2025》实施的启示[J]. 毛涛,高浚淇,白旻.  全球化. 2017(05)
[6]奇异值分解与迁移学习在电机故障诊断中的应用[J]. 沈飞,陈超,严如强.  振动工程学报. 2017(01)
[7]基于改进的K最近邻分类器的风机故障诊断[J]. 吴斌,奚立峰,范思遐,王加祥.  机械设计与研究. 2016(05)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[9]基于深度学习理论的轴承状态识别研究[J]. 郭亮,高宏力,张一文,黄海凤.  振动与冲击. 2016(12)
[10]阿法狗围棋系统的简要分析[J]. 田渊栋.  自动化学报. 2016(05)

博士论文
[1]基于机器学习的旋转机械故障诊断方法的研究[D]. 徐波.武汉科技大学 2019
[2]特征降维与自适应特征提取方法及其在行星齿轮箱故障诊断中的应用研究[D]. 赵川.北京科技大学 2018
[3]齿轮系统振动信号调制机理及非平稳信号稀疏分解方法研究[D]. 李永焯.华南理工大学 2018
[4]基于排序模式分析与深度学习的风电设备故障诊断方法研究[D]. 江国乾.燕山大学 2017
[5]旋转机械传动件微弱故障融合诊断方法研究[D]. 陈海周.重庆大学 2017
[6]复合齿轮传动系统振动响应调制机理及稀疏分离方法研究[D]. 何国林.华南理工大学 2015
[7]基于流形学习的机械状态识别方法研究[D]. 张绍辉.华南理工大学 2014
[8]离散频谱校正理论的抗噪性能研究及其在工程中的应用[D]. 林慧斌.华南理工大学 2010
[9]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]基于改进堆叠降噪自编码网络的轴承故障诊断研究[D]. 侯文擎.华南理工大学 2017
[2]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016



本文编号：3277305