本文選題：全矢譜　切入點：Hilbert解調(diào)　出處：《鄭州大學》2017年碩士論文

【摘要】：當前機械設備向著更加高效化、集成化和大型化的方向發(fā)展,因此如何保證其安全穩(wěn)定的運行具有重大研究意義。隨著計算機技術(shù)和傳感器技術(shù)的發(fā)展,故障預測理論和技術(shù)也隨之發(fā)展完善,并為上述問題提供一種較好的解決途徑。但是傳統(tǒng)的信息采集方式是用單一傳感器來采集單通道信息來進行分析,因為信息不夠全面,可靠性并不是很好。而全矢譜技術(shù)則將互為正交的兩個通道的信號加以融合,能更全面準確反映出設備運行狀態(tài)。預測算法方面,一直是人工智能研究的熱點,而且近年出現(xiàn)了一系列新的算法,比如極限學習機,具備良好的精度和可靠性,并且具有計算量小,速度快等特點。本文將全矢譜技術(shù)與神經(jīng)網(wǎng)絡和極限學習機相結(jié)合,并以滾動軸承為對象進行故障預測研究,主要研究內(nèi)容如下幾個方面:(1)采用全矢Hilbert解調(diào)方法提取滾動軸承的故障特征頻率,通過仿真和實例分析,本方法可以有效將特征頻率提取出來,為神經(jīng)網(wǎng)絡訓練樣本的提取奠定理論基礎;(2)提出了基于全矢模糊神經(jīng)網(wǎng)絡的故障預測模型,并進行實例驗證,結(jié)果表明,因為模糊神經(jīng)網(wǎng)絡自身的缺陷,預測結(jié)果穩(wěn)定性不佳,容易造成誤診;(3)提出了基于全矢小波神經(jīng)網(wǎng)絡的故障預測模型,并進行實例驗證,結(jié)果表明,利用小波基函數(shù)對神經(jīng)網(wǎng)絡進行改造,可以提高神經(jīng)網(wǎng)絡在滾動軸承故障預測中的效果。但是小波神經(jīng)網(wǎng)絡依然沒有解決傳統(tǒng)神經(jīng)網(wǎng)絡的故有缺陷,依然采用梯度下降的學習方法,因此容易陷入局部極值而影響預測模型效果;(4)針對傳統(tǒng)神經(jīng)網(wǎng)絡的不足,提出全矢極限學習機的軸承故障預測模型,通過實例驗證表明,它可以很好的擬合期望輸出,誤差度小,對滾動軸承故障的預測表現(xiàn)了很好的穩(wěn)定性和精確性。極限學習機不像傳統(tǒng)神經(jīng)網(wǎng)絡那樣需要設置大量參數(shù),只需要設置隱含層神經(jīng)元數(shù)即可,因此其計算量小,運算速度快,具有很好的實時性能和實用價值。
[Abstract]:At present, mechanical equipment is developing towards higher efficiency, integration and large scale, so it is of great significance to study how to ensure its safe and stable operation.With the development of computer technology and sensor technology, the theory and technology of fault prediction are improved, and a better way to solve the above problems is provided.But the traditional way of information acquisition is to use a single sensor to collect single channel information for analysis, because the information is not comprehensive, the reliability is not very good.The full-vector spectrum technology combines the signals of the two channels which are orthogonal to each other and can reflect the running state of the equipment more comprehensively and accurately.Prediction algorithm has always been a hot topic in artificial intelligence, and in recent years, a series of new algorithms have emerged, such as extreme learning machine, with good accuracy and reliability, and has the characteristics of small computation, fast speed, and so on.In this paper, the full-vector spectrum technique is combined with neural network and ultimate learning machine, and the fault prediction of rolling bearing is studied. The main research contents are as follows: 1) the fault characteristic frequency of rolling bearing is extracted by full-vector Hilbert demodulation method.Through simulation and example analysis, this method can effectively extract the feature frequency, lay a theoretical foundation for neural network training sample extraction. (2) A fault prediction model based on full-vector fuzzy neural network is proposed and verified by an example.The results show that because of the defects of the fuzzy neural network, the stability of the prediction results is not good, and it is easy to cause misdiagnosis. (3) A fault prediction model based on the full-vector wavelet neural network is proposed and verified by an example.The improvement of neural network by wavelet basis function can improve the effect of neural network in rolling bearing fault prediction.However, wavelet neural network still has not solved the shortcomings of traditional neural network, and still adopts gradient descent learning method, so it is easy to fall into local extremum and affect the prediction model effect.A bearing fault prediction model of full-vector learning machine is put forward. The example shows that it can fit the expected output well, and the error degree is small, and the prediction of rolling bearing fault shows good stability and accuracy.Extreme learning machine does not need to set a large number of parameters as the traditional neural network, only need to set the number of hidden layer neurons, so it has a small amount of calculation, fast operation, good real-time performance and practical value.
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TH133.3

【相似文獻】

相關期刊論文 前10條

1 左磊;侯立剛;高大明;彭曉宏;吳武臣;;基于粒子群-小波神經(jīng)網(wǎng)絡的模擬電路故障診斷[J];北京工業(yè)大學學報;2010年03期

2 黃永紅;徐勇;;基于小波神經(jīng)網(wǎng)絡的某邊坡預測研究[J];測繪工程;2012年02期

3 祖哲;畢貴紅;劉力;郝娟;;基于小波神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測模型研究[J];計算機技術(shù)與發(fā)展;2012年10期

4 霍禹同;;基于小波神經(jīng)網(wǎng)絡的電機自動控制研究[J];信息與電腦(理論版);2013年09期

5 江亞東,丁麗萍,夏克儉,李恪,陳因頎;基于小波神經(jīng)網(wǎng)絡的混沌模式提取[J];北京科技大學學報;2001年05期

6 陳農(nóng),賈區(qū)耀;用自適應小波神經(jīng)網(wǎng)絡辨識動態(tài)實驗數(shù)據(jù)[J];飛行力學;2001年01期

7 張增芳,陳瑞中,齊保謙,陸英北;基于小波神經(jīng)網(wǎng)絡的心電數(shù)據(jù)壓縮研究[J];廣西工學院學報;2002年01期

8 任少龍,鐘秋海,嚴承華;小波神經(jīng)網(wǎng)絡在裝備研制費預測與控制中的應用[J];海軍工程大學學報;2002年05期

9 董杰,馬壯,吳云,李嘉林;遺傳小波神經(jīng)網(wǎng)絡在飛機加油管路設計中的應用[J];機械科學與技術(shù);2002年S1期

10 趙學智,鄒春華,陳統(tǒng)堅,葉邦彥,彭永紅;小波神經(jīng)網(wǎng)絡的參數(shù)初始化研究[J];華南理工大學學報(自然科學版);2003年02期

相關會議論文 前10條

1 胡博;陶文華;崔博;白一彤;尹旭;;基于小波神經(jīng)網(wǎng)絡的異步電機故障診斷[A];2009中國控制與決策會議論文集（2）[C];2009年

2 何正友;錢清泉;;一種改進小波神經(jīng)網(wǎng)絡模型在電力故障信號識別中的應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術(shù)會議論文集[C];1999年

3 魯艷軍;陳漢新;陳緒兵;;基于小波神經(jīng)網(wǎng)絡的齒輪裂紋故障診斷[A];節(jié)能減排 綠色制造 智能制造——低碳經(jīng)濟下高技術(shù)制造產(chǎn)業(yè)與智能制造發(fā)展論壇論文集[C];2010年

4 董健;尹萌;張輝;;小波神經(jīng)網(wǎng)絡結(jié)合多項式的混合預測方法在通信規(guī)劃中的應用[A];2011全國無線及移動通信學術(shù)大會論文集[C];2011年

5 謝建宏;張為公;;復合材料疲勞剩余壽命預測的動態(tài)小波神經(jīng)網(wǎng)絡方法[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

6 陳建秋;張新政;;基于小波神經(jīng)網(wǎng)絡的水質(zhì)預測應用研究[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

7 孫正貴;;小波神經(jīng)網(wǎng)絡的高效學習算法及應用研究[A];中南六省（區(qū)）自動化學會第24屆學術(shù)年會會議論文集[C];2006年

8 黃敏;朱啟兵;崔寶同;;基于小波神經(jīng)網(wǎng)絡的軋機特性回歸[A];2007中國控制與決策學術(shù)年會論文集[C];2007年

9 周紹磊;張文廣;李新;;一種基于改進遺傳算法的小波神經(jīng)網(wǎng)絡[A];2007年中國智能自動化會議論文集[C];2007年

10 杜青;劉劍飛;劉娟;喬延華;;基于小波神經(jīng)網(wǎng)絡的模擬調(diào)制信號自動識別[A];2007通信理論與技術(shù)新發(fā)展——第十二屆全國青年通信學術(shù)會議論文集（下冊）[C];2007年

相關重要報紙文章 前2條

1 通訊員 魏向軍;“六字訣”工作法扼制機車“隱形殺手”[N];人民鐵道;2008年

2 記者 秦勉;白靜命案背后的“心理極限”[N];北京科技報;2012年

相關博士學位論文 前10條

1 侯霞;小波神經(jīng)網(wǎng)絡若干關鍵問題研究[D];南京航空航天大學;2006年

2 章文俊;小波神經(jīng)網(wǎng)絡算法及其船舶運動控制應用研究[D];大連海事大學;2014年

3 高協(xié)平;小波參數(shù)化與小波神經(jīng)網(wǎng)絡研究[D];湖南大學;2003年

4 宋清昆;自適應結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡控制研究[D];哈爾濱理工大學;2009年

5 李永紅;廣義小波神經(jīng)網(wǎng)絡實現(xiàn)雷達相關濾波的研究[D];大連海事大學;2000年

6 銀俊成;量子信道與量子小波神經(jīng)網(wǎng)絡相關問題研究[D];陜西師范大學;2013年

7 李文軍;多小波和小波神經(jīng)網(wǎng)絡構(gòu)造及其在電弧故障診斷中的應用研究[D];吉林大學;2008年

8 劉守生;遺傳算法與小波神經(jīng)網(wǎng)絡中若干問題的研究[D];南京航空航天大學;2005年

9 李萌;旋轉(zhuǎn)機械軸承故障的特征提取與模式識別方法研究[D];吉林大學;2008年

10 張翱;列車軸承故障道旁聲學診斷關鍵技術(shù)研究[D];中國科學技術(shù)大學;2014年

相關碩士學位論文 前10條

1 趙偉杰;基于全矢極限學習機的軸承故障預測研究[D];鄭州大學;2017年

2 張清華;小波神經(jīng)網(wǎng)絡參數(shù)優(yōu)化及其應用[D];東北農(nóng)業(yè)大學;2009年

3 王建雙;基于小波神經(jīng)網(wǎng)絡控制器設計與研究[D];哈爾濱理工大學;2009年

4 張蓉暉;小波神經(jīng)網(wǎng)絡及其在模擬電路診斷中的應用[D];華中科技大學;2008年

5 吳曦;基于隨機小波神經(jīng)網(wǎng)絡的一類隨機過程的逼近[D];西北工業(yè)大學;2001年

6 王勇;基于小波神經(jīng)網(wǎng)絡的模擬電路故障診斷的研究[D];內(nèi)蒙古工業(yè)大學;2006年

7 孫新強;基于小波神經(jīng)網(wǎng)絡的板料沖壓回彈研究[D];西南交通大學;2015年

8 但立;基于小波神經(jīng)網(wǎng)絡的地面三維激光掃描點云數(shù)據(jù)的滑坡監(jiān)測研究[D];長安大學;2015年

9 葛小川;基于小波神經(jīng)網(wǎng)絡的某坦克炮平衡與定位控制[D];南京理工大學;2015年

10 蔡崇國;小波分析在大功率交流伺服系統(tǒng)中的應用研究[D];南京理工大學;2015年

，

本文編號：1698811