發(fā)布時間：2020-07-21 19:39

【摘要】：滾動軸承是大型機械設(shè)備的關(guān)鍵部件,這是因為滾動軸承的健康狀態(tài)會影響整個大型機械設(shè)備的安全運轉(zhuǎn)。一旦滾動軸承發(fā)生故障,則可能會導致設(shè)備宕機,帶來不可估量的經(jīng)濟損失甚至安全事故。然而,由于嚴苛的工作環(huán)境以及其他一些不可控制的因素,滾動軸承的失效概率高。因此,研究滾動軸承的故障診斷對保障設(shè)備性能和預防重大事故具有重大的工程價值和學術(shù)意義。隨著計算機軟硬件技術(shù)的發(fā)展,滾動軸承故障診斷越來越趨向于以人工智能技術(shù)為核心的智能診斷。然而,不管是傳統(tǒng)的智能診斷方法還是基于深度學習的智能診斷方法,基本上都采用了批量學習的方式。這種學習方式會浪費大量的時間和計算資源。鑒于此,本文提出了一種新的基于單類分類器和分類器組合的類別增量學習方法框架。并且在該框架的基礎(chǔ)上,圍繞定轉(zhuǎn)速和變轉(zhuǎn)速下的滾動軸承智能故障診斷問題開展了一些研究工作。本文的主要內(nèi)容及創(chuàng)新點如下:(1)為了解決定轉(zhuǎn)速下滾動軸承智能故障診斷問題,本文提出了兩種基于類別增量學習的故障診斷方法。第一個方法是基于支持向量數(shù)據(jù)描述理論,需要人工提取特征。它在訓練樣本到超球體中心距離的基礎(chǔ)上構(gòu)建了一種支持函數(shù),該支持函數(shù)可以將多個類別下的支持向量數(shù)據(jù)描述模型組合用于滾動軸承多故障分類。第二個方法是基于降噪自動編碼器理論,能夠自動學習特征。它在訓練樣本經(jīng)降噪自動編碼器重構(gòu)后的重構(gòu)誤差基礎(chǔ)上構(gòu)建了一種支持函數(shù),該支持函數(shù)可以將多個類別下的降噪自動編碼器組合用于滾動軸承多故障分類。在高速列車輪對軸承11種故障數(shù)據(jù)上的實驗結(jié)果驗證了所提出方法在診斷準確率方面具有優(yōu)勢。(2)為了解決變轉(zhuǎn)速下滾動軸承智能故障診斷問題,本文也提出了兩種基于類別增量學習的故障診斷方法。這兩個方法分別是在(1)中所述兩個方法的基礎(chǔ)上,對其中數(shù)據(jù)預處理步驟加以修改。針對第一個方法,在數(shù)據(jù)預處理過程中增加了標準化和基于離散小波變換的信號分解兩個步驟,使其可以提取變轉(zhuǎn)速下的滾動軸承振動信號特征。針對第二個方法,在數(shù)據(jù)預處理過程中增加了標準化步驟,使其可以去除轉(zhuǎn)速變化對重構(gòu)誤差計算的影響。在機械故障綜合模擬實驗平臺采集的變轉(zhuǎn)速下4種軸承故障數(shù)據(jù)上的實驗結(jié)果驗證了所提出的方法在診斷準確率方面具有優(yōu)勢。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH133.33
【圖文】：

圖 1-2 功率 1-2MW 風力發(fā)電機故障統(tǒng)計[8]據(jù)驅(qū)動的滾動軸承故障診斷研究現(xiàn)狀技的發(fā)展，旋轉(zhuǎn)機械設(shè)備正朝著復雜化和大型化等方向發(fā)展理參數(shù)與失效機理在不同的工況下相差較大，并且一些如數(shù)無法使用一般的傳感器直接測量。這些因素使得很難依建立精確的數(shù)學物理模型來表征滾動軸承的健康狀態(tài)[9, 10]技術(shù)和通信技術(shù)的發(fā)展，一般都會在旋轉(zhuǎn)機械設(shè)備的關(guān)鍵位的位置布置傳感器用來采集設(shè)備的狀態(tài)信號，這些狀態(tài)信度等。如何從這些狀態(tài)數(shù)據(jù)挖掘出與滾動軸承故障相關(guān)的信的故障診斷已經(jīng)成為目前滾動軸承故障診斷領(lǐng)域的研究熱據(jù)驅(qū)動的滾動軸承故障診斷技術(shù)是利用各種數(shù)據(jù)挖掘技術(shù)推理并得到相應(yīng)的數(shù)學模型，該模型反映了狀態(tài)監(jiān)測數(shù)據(jù)映射關(guān)系[12]。如圖 1-3 所示，基于數(shù)據(jù)驅(qū)動的滾動軸承故障

DNN4(150,50)結(jié)構(gòu)

【參考文獻】

相關(guān)期刊論文 前10條

1 林京;趙明;;變轉(zhuǎn)速下機械設(shè)備動態(tài)信號分析方法的回顧與展望[J];中國科學:技術(shù)科學;2015年07期

2 胥永剛;孟志鵬;陸明;;雙樹復小波包和ICA用于滾動軸承復合故障診斷[J];振動.測試與診斷;2015年03期

3 文波;單甘霖;段修生;;基于KKT條件與殼向量的增量學習算法研究[J];計算機科學;2013年03期

4 秦玉平;陳一荻;王春立;王秀坤;;一種新的類增量學習方法[J];計算機工程與應(yīng)用;2011年34期

5 李晗;蕭德云;;基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J];控制與決策;2011年01期

6 許麗;張進明;張廣明;徒偉;;基于PCA的滾動軸承故障檢測方法[J];計算機仿真;2010年06期

7 秦玉平;王秀坤;王春立;;實現(xiàn)兼類樣本類增量學習的一種算法[J];控制與決策;2009年01期

8 陳斌;馮愛民;陳松燦;李斌;;基于單簇聚類的數(shù)據(jù)描述[J];計算機學報;2007年08期

9 曾文華,馬健;一種新的支持向量機增量學習算法[J];廈門大學學報(自然科學版);2002年06期

10 蕭嶸 ,王繼成 ,孫正興 ,張福炎;一種SVM增量學習算法α-ISVM[J];軟件學報;2001年12期

相關(guān)碩士學位論文 前1條

1 潘登;面向軌道車輛傳動系統(tǒng)的異常檢測方法及其在滾動軸承中的應(yīng)用[D];電子科技大學;2015年

本文編號：2764717