發(fā)布時(shí)間：2020-11-19 15:58

　　 滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械的重要組成部分,若出現(xiàn)故障會(huì)直接導(dǎo)致重大經(jīng)濟(jì)損失,甚至人員傷亡。由于滾動(dòng)軸承所處的環(huán)境惡劣、復(fù)雜,導(dǎo)致故障診斷效果較差。因此,有效的軸承故障診斷方法對(duì)機(jī)器的正常運(yùn)轉(zhuǎn)具有重要的意義。在復(fù)雜環(huán)境下,傳統(tǒng)軸承故障診斷方法通過(guò)人工提取故障特征,需依賴于專業(yè)診斷知識(shí),難以保證故障特征的精準(zhǔn)度。而深度自編碼網(wǎng)絡(luò)利用貪婪逐層訓(xùn)練的方法,直接從原始振動(dòng)信號(hào)中自動(dòng)捕獲有用信息,通過(guò)利用其較強(qiáng)的特征提取能力和強(qiáng)大的計(jì)算能力,保證軸承故障診斷的準(zhǔn)確率,達(dá)到降低成本目的。因此,研究基于深度自編碼網(wǎng)絡(luò)的軸承故障診斷方法,這對(duì)保障工業(yè)設(shè)備有效高速安全運(yùn)行至關(guān)重要。首先,本文在軸承故障診斷方法上展開研究。研究了當(dāng)前軸承故障常用的方法,分析了經(jīng)典的故障診斷方法與特征提取方法的優(yōu)缺點(diǎn),并對(duì)其特征方法進(jìn)行比較。研究了深度學(xué)習(xí)技術(shù),并分析深度自編碼網(wǎng)絡(luò)的原理。研究了云自適應(yīng)粒子群優(yōu)化算法,并對(duì)其優(yōu)缺點(diǎn)進(jìn)行深入分析。其次,給出一種改進(jìn)的深度自編碼網(wǎng)絡(luò)算法。本方法采用最大相關(guān)熵作為損失函數(shù),以減弱噪音對(duì)故障診斷準(zhǔn)確率的影響,然后利用云自適應(yīng)粒子群優(yōu)化算法在搜索方面的隨機(jī)性與穩(wěn)定性特點(diǎn),優(yōu)化深度自編碼網(wǎng)絡(luò)的連接權(quán)值,以減少對(duì)權(quán)值的約束,進(jìn)行自適應(yīng)提取故障特征,并借助于Softmax分類器實(shí)現(xiàn)高效準(zhǔn)確的故障診斷。最后,建立了一種基于深度自編碼網(wǎng)絡(luò)的軸承故障診斷模型,實(shí)現(xiàn)了智能化地故障診斷。對(duì)軸承故障振動(dòng)數(shù)據(jù)集進(jìn)行訓(xùn)練和學(xué)習(xí),采用滾動(dòng)軸承的振動(dòng)信號(hào)作為數(shù)據(jù)集,將數(shù)據(jù)集分為訓(xùn)練樣本和測(cè)試樣本,得出最佳自動(dòng)編碼器的層數(shù)和隱含層節(jié)點(diǎn)數(shù);基于此,進(jìn)行主成分分析,驗(yàn)證所提算法在分類方面的性能。與支持向量機(jī)(SVM)、反向傳播算法(BP)相比,所提的方法具有更高的診斷準(zhǔn)確率,并且診斷結(jié)果更加穩(wěn)定。
【學(xué)位單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TH133.3;TP18
【部分圖文】：

圖 5-1 滾動(dòng)軸承振動(dòng)數(shù)據(jù)采集試驗(yàn)平臺(tái)鍵結(jié)構(gòu)參數(shù)于深度自編碼網(wǎng)絡(luò)的軸承故障診斷時(shí)，AE 的層數(shù)與隱型的整體性能，因此確定這兩個(gè)影響因素的值非常重要信號(hào)，結(jié)合深度自編碼網(wǎng)絡(luò)，尋找最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。同 AE 層數(shù)的故障診斷結(jié)果研究。AE 層數(shù)下，初始學(xué)習(xí)率為 0.1，統(tǒng)計(jì)了 10 次試驗(yàn)的故障由圖可知，AE 層數(shù)在小于 3 層時(shí)，隨著 AE 層數(shù)的提高AE 層數(shù)大于 3 層時(shí)，診斷準(zhǔn)確率已經(jīng)達(dá)到很高，并且相，測(cè)試試驗(yàn)中 AE 層數(shù)采用 3 層，故障診斷效果最佳。
【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張可;周東華;柴毅;;復(fù)合故障診斷技術(shù)綜述[J];控制理論與應(yīng)用;2015年09期

2 邱立達(dá);劉天鍵;林南;黃章超;;基于深度學(xué)習(xí)模型的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J];傳感技術(shù)學(xué)報(bào);2014年12期

3 吳杰康;熊焰;;風(fēng)水氣互補(bǔ)發(fā)電優(yōu)化的云模型自適應(yīng)粒子群優(yōu)化算法[J];中國(guó)電機(jī)工程學(xué)報(bào);2014年S1期

4 李紅衛(wèi);楊東升;孫一蘭;韓娟;;智能故障診斷技術(shù)研究綜述與展望[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年02期

5 楊南海;黃明明;赫然;王秀坤;;基于最大相關(guān)熵準(zhǔn)則的魯棒半監(jiān)督學(xué)習(xí)算法[J];軟件學(xué)報(bào);2012年02期

本文編號(hào)：2890196