滾動軸承是旋轉(zhuǎn)機(jī)械的重要部位,其工作狀態(tài)的好壞直接影響整個設(shè)備的工作性能,且軸承運(yùn)行環(huán)境復(fù)雜,極易發(fā)生故障,而軸承故障往往會造成嚴(yán)重的事故,因此,對滾動軸承進(jìn)行準(zhǔn)確的故障識別與分類是工程應(yīng)用中至關(guān)重要的問題。隨著現(xiàn)代工業(yè)的快速發(fā)展,更多的機(jī)械設(shè)備加入到工業(yè)生產(chǎn),軸承故障頻發(fā),軸承故障呈現(xiàn)出一種“大數(shù)據(jù)”的特性,使得BP神經(jīng)網(wǎng)絡(luò)等其他淺層模型面臨維數(shù)災(zāi)難等問題,且現(xiàn)場獲取的故障數(shù)據(jù)往往是不完備和無標(biāo)簽的,因此,傳統(tǒng)模式識別的方法很難建立有效的診斷模型,亟需具有自學(xué)習(xí)能力的診斷算法及模型的開發(fā)與研究,這已成為當(dāng)前主要研究熱點(diǎn)和亟待解決的問題之一。深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)采用無監(jiān)督逐層貪婪的訓(xùn)練方法,可避免特征提取與選擇的人工操作,具有處理高維、非線性數(shù)據(jù)的能力,能有效地防止發(fā)生維數(shù)災(zāi)難等問題,非常適合處理新時期工業(yè)“大數(shù)據(jù)”的故障診斷難題。前期研究已表明,DBN的一個顯著特點(diǎn)是可直接從低層原始信號出發(fā),通過逐層貪婪學(xué)習(xí)得到高層特征表示,故本文從滾動軸承的原始數(shù)據(jù)出發(fā),結(jié)合S變換和貝葉斯分類器,提出一種基于兩級深度置信網(wǎng)絡(luò)(DBN)的滾動軸承故障自學(xué)習(xí)方法,主要研究內(nèi)容如下:(1)建立一個多隱層的DBN網(wǎng)絡(luò),在故障類型完備故障損傷等級不完備的情況下,直接將原始軸承故障數(shù)據(jù)歸一化處理后作為DBN的輸入,經(jīng)過DBN的特征提取與分類器的分類,實(shí)現(xiàn)故障類型的準(zhǔn)確識別,并將其與BP神經(jīng)網(wǎng)絡(luò)的分類效果進(jìn)行了對比,結(jié)果表明DBN具有其他淺層網(wǎng)絡(luò)不可比擬的特征提取能力。(2)利用DBN強(qiáng)大的特征提取能力,建立兩級DBN滾動軸承故障自學(xué)習(xí)模型。首先,建立DBN1故障類型自學(xué)習(xí)模型,對原始軸承故障數(shù)據(jù)做S變換處理后,求取S變換模矩陣,其結(jié)果是一個二維矩陣,行代表頻率,列代表時間,通過提取時間列的幅值均值信息作為DBN1的輸入用于提取特征,將提取的特征作為貝葉斯分類器的輸入,對貝葉斯分類器輸出的后驗概率劃分合理的屬于相同故障類型或不同故障類型的置信區(qū)間,實(shí)現(xiàn)故障類型分類模型的自學(xué)習(xí)。其次,建立DBN2故障損傷等級自學(xué)習(xí)模型,對實(shí)現(xiàn)故障類型識別的數(shù)據(jù)進(jìn)行故障損傷等級的分類,把這些數(shù)據(jù)歸一化處理后作為DBN2的輸入用于提取特征,將提取的特征作為貝葉斯分類器的輸入,選擇與故障類型分類相同的置信區(qū)間劃分方法,實(shí)現(xiàn)故障損傷等級分類模型的自學(xué)習(xí)。最后,通過該兩級DBN分類模型實(shí)現(xiàn)軸承故障類型與損傷等級的智能分類。
【學(xué)位單位】：內(nèi)蒙古工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TH133.33
【部分圖文】：

的典型故障及其數(shù)據(jù)來源活中應(yīng)用廣泛，由于長時間處在高速障，從而造成不可挽回的損失，因此需大限度的發(fā)揮軸承的工作潛力，減少財障形式，以便制定合理的處理方案。構(gòu)及其典型故障圈、外圈、滾動體和保持架四個部分圈作為支撐，和軸承座相配合；滾動體的形狀、大小以及數(shù)量對滾動軸承的使?jié)L動體均勻分布，引導(dǎo)滾動體旋轉(zhuǎn)，起

圖 2-2 軸承試驗裝置Fig.2-2 Bearings Test Device故障類型對應(yīng)不同的故障特征頻率，特征頻率的計算可根據(jù)軸承信計算方法如下：頻率：(1cos)2160 Ddnrfo頻率:(1cos)2160 Ddnrfi障頻率：[1()cos)216022 DddrDfb r 為軸承轉(zhuǎn)速，單位轉(zhuǎn)/分鐘；n 為滾珠個數(shù)；d 代表滾動體直徑；為滾動體接觸角。

（c）滾動體信號 （d）外圈信號圖 2-3 四種類型振動信號在故障損傷等級為 0.007inch 時的 S 變換時頻譜圖Fig.2-3 S transformation time-frequency diagram of four types signals of failure level for four types vibration signals is 0.007inch（a）內(nèi)圈信號 （b）滾動體信號
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 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(xué)學(xué)報;2015年05期

2 耶曉東;;滾動軸承故障振動信號的分析方法研究[J];煤礦機(jī)械;2012年12期

3 侯樹杰;;時頻分析方法對比及S變換在地震數(shù)據(jù)處理中的應(yīng)用[J];油氣地質(zhì)與采收率;2011年03期

相關(guān)碩士學(xué)位論文 前7條

1 劉晶;基于能量算子的滾動軸承故障診斷研究[D];華東交通大學(xué);2018年

2 田浩;基于HHT和XGBoost的風(fēng)電機(jī)組滾動軸承故障診斷研究[D];新疆大學(xué);2018年

3 王振華;基于ESMD和SVM的滾動軸承故障診斷研究[D];陜西理工大學(xué);2018年

4 劉向宇;免疫自適應(yīng)的深度卷積神經(jīng)網(wǎng)絡(luò)故障診斷應(yīng)用研究[D];太原理工大學(xué);2018年

5 張士強(qiáng);基于深度學(xué)習(xí)的故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

6 趙懷山;基于時頻分析的滾動軸承故障診斷方法研究[D];西安理工大學(xué);2017年

7 孫長蘋;S變換地震信號薄層預(yù)測處理技術(shù)[D];東北石油大學(xué);2011年

本文編號：2862478