【摘要】：滾動軸承是旋轉(zhuǎn)機械設(shè)備中最常用的零件之一,其工作狀態(tài)直接影響到整個設(shè)備的運轉(zhuǎn)。因此,對其進行故障診斷顯得意義重大。隨著大數(shù)據(jù)時代的到來,如何利用智能技術(shù)對滾動軸承進行故障診斷具有重要的現(xiàn)實意義。深度學習能夠模擬人腦分層處理數(shù)據(jù)的方法,將低層、具體的原始數(shù)據(jù)提取為高層抽象的特征。通過深層結(jié)構(gòu)從訓練數(shù)據(jù)中學習復(fù)雜的非線性關(guān)系,從而實現(xiàn)對復(fù)雜數(shù)據(jù)分布的逼近。其具有強大的高維數(shù)據(jù)處理能力,多狀態(tài)識別能力和對變工況的泛化能力。因此對于傳統(tǒng)方法如支持向量機,BP神經(jīng)網(wǎng)絡(luò)等很難解決的大數(shù)據(jù),變工況下的滾動軸承故障以及故障程度的多狀態(tài)識別的問題非常適用。但如果低層原始特征數(shù)據(jù)所含特征信息較少或者不明顯,就會大大降低狀態(tài)識別的準確率。集合經(jīng)驗?zāi)B(tài)分解是一種自適應(yīng)的信號時頻局部化分析方法,它可以將任何復(fù)雜的信號分解成若干個本征模態(tài)函數(shù)。每一個本征模態(tài)函數(shù)都可以看作單分量信號,所以每一個模態(tài)都有其物理意義。而且每一個分量中都含有豐富的原始特征信息。結(jié)合上述兩種方法,本文提出了一種基于集合經(jīng)驗?zāi)B(tài)分解與深度置信網(wǎng)絡(luò)相結(jié)合的滾動軸承故障診斷方法。該方法首先對原始時域信號進行集合經(jīng)驗?zāi)B(tài)分解,然后對分解得到的前若干模態(tài)本征函數(shù)進行頻譜變換,將變換后的分量依次連接,構(gòu)建含有豐富特征信息的高維特征數(shù)據(jù),將構(gòu)建的高維數(shù)據(jù)以負載的不同分成若干個數(shù)據(jù)集作為深度學習的輸入,用一種負載訓練其他負載測試對滾動軸承進行故障診斷,該方法結(jié)合了深度學習對大數(shù)據(jù)強大的處理能力和對變工況的泛化能力以及多狀態(tài)識別能力,較好的解決了在大數(shù)據(jù)變工況的前提下滾動軸承故障特征的多狀態(tài)識別難的問題。
【學位授予單位】：河南理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH133.33
【圖文】：

滾動軸承的結(jié)構(gòu)示意圖

磨損失效

【參考文獻】

相關(guān)期刊論文 前7條

1 雷亞國;賈峰;周昕;林京;;基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J];機械工程學報;2015年21期

2 李艷峰;王新晴;張梅軍;朱會杰;;基于奇異值分解和深度信度網(wǎng)絡(luò)多分類器的滾動軸承故障診斷方法[J];上海交通大學學報;2015年05期

3 王培良;夏春江;;基于PCA-PDBNs的故障檢測與自學習辨識[J];儀器儀表學報;2015年05期

4 梁瑜;賈利民;蔡國強;劉金朝;;滾動軸承的非線性動力學故障模型研究[J];中國鐵道科學;2014年01期

5 劉建偉;劉媛;羅雄麟;;玻爾茲曼機研究進展[J];計算機研究與發(fā)展;2014年01期

6 涂望明;宋執(zhí)環(huán);陳運濤;魏友國;周晶晶;;基于小波變換和LS-SVM的雷達故障診斷[J];控制工程;2013年02期

7 李國杰;程學旗;;大數(shù)據(jù)研究:未來科技及經(jīng)濟社會發(fā)展的重大戰(zhàn)略領(lǐng)域——大數(shù)據(jù)的研究現(xiàn)狀與科學思考[J];中國科學院院刊;2012年06期

相關(guān)博士學位論文 前1條

1 王雷;基于流形學習的滾動軸承故障診斷若干方法研究[D];大連理工大學;2013年

相關(guān)碩士學位論文 前5條

1 董振振;滾動軸承復(fù)合故障機理及振動模型研究[D];哈爾濱工業(yè)大學;2015年

2 趙興;基于深度置信網(wǎng)集成的高光譜數(shù)據(jù)分類方法研究[D];哈爾濱工業(yè)大學;2015年

3 聶品磊;滾動軸承故障特征提取技術(shù)研究[D];東北石油大學;2015年

4 宮廣廷;變轉(zhuǎn)速條件下滾動軸承故障特征提取與診斷[D];沈陽航空航天大學;2015年

5 呂路勇;基于振動信號的滾動軸承故障診斷方法研究[D];華北電力大學（河北）;2008年

本文編號：2727087