在智能制造、大數(shù)據(jù)的工業(yè)背景下,如何利用制造系統(tǒng)中問題的發(fā)生和解決過程中產(chǎn)生的大數(shù)據(jù)顯得尤為重要,如何利用大數(shù)據(jù)去推動智能制造的發(fā)展也越來越關(guān)鍵。裝備、維護(hù)均屬于智能制造的核心要素,并且過去三次的工業(yè)革命也都有圍繞這兩個核心要素進(jìn)行技術(shù)升級。生產(chǎn)系統(tǒng)的正常運(yùn)轉(zhuǎn)需要可靠的機(jī)械設(shè)備健康管理系統(tǒng)來做指導(dǎo),但生產(chǎn)系統(tǒng)的隱患會導(dǎo)致不同的故障類型,而不同的故障類型給生產(chǎn)系統(tǒng)所造成的影響不同,在深度學(xué)習(xí)的基礎(chǔ)上如何利用工業(yè)數(shù)據(jù)提高對機(jī)械零部件故障診斷的識別分類精度是本文的研究重點(diǎn)。首先研究了如何用快速傅里葉變換使振動信號的時域信號轉(zhuǎn)換到頻域信號,并且提取跟振動信號有較強(qiáng)關(guān)聯(lián)的、可被量化的、有效的健康特征,在振動信號中加入了高斯噪聲提高了故障診斷模型中神經(jīng)網(wǎng)絡(luò)的泛化性。針對工業(yè)環(huán)境采集的低信噪比的數(shù)據(jù),提出用最大重疊離散小波變換來對振動信號進(jìn)行降噪,并得出快速譜峭度圖,該方法可以減少神經(jīng)網(wǎng)絡(luò)模型的參數(shù),在提高了模型診斷精度的同時也加快了神經(jīng)網(wǎng)絡(luò)的收斂速度。通過對神經(jīng)網(wǎng)絡(luò)的研究,基于深度學(xué)習(xí)tensorflow的框架搭建了神經(jīng)網(wǎng)絡(luò),利用快速傅里葉變換來得到的特征指標(biāo)來作為神經(jīng)網(wǎng)絡(luò)的輸入,該模型在凱斯西儲... 

【文章來源】：貴州大學(xué)貴州省 211工程院校

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

機(jī)械故障分布圖

所以本次論文研究相關(guān)實(shí)驗(yàn)也采用 CWRU 數(shù)據(jù)集[30]。實(shí)驗(yàn)平臺（圖2.1）由測力測量器、編碼器、扭矩傳感器、2 馬力的電動機(jī)四部分組成，通過振動信號采集裝置加速度傳感器來獲取滾動軸承的狀態(tài)信息，加速度傳感器的安裝位置通常安裝在電機(jī)殼驅(qū)動端或風(fēng)扇端軸承座的正 12 點(diǎn)位置。圖 2.1 實(shí)驗(yàn)平臺滾動軸承內(nèi)部結(jié)構(gòu)與軸承故障位置示意圖如下：圖 2.2 軸承故障圖中 2.2 所示為該實(shí)驗(yàn)平臺中滾動軸承狀態(tài)中的四大類軸承狀態(tài)：正常、滾動體故障、外圈故障、內(nèi)圈故障。軸承故障通過電火花的加工來得到外圈、內(nèi)圈以及滾動體上的點(diǎn)蝕故障，該故障數(shù)據(jù)集的軸承損傷直徑根據(jù)故障深度劃分為三個等級：0.007inch=7mils=0.1778mm,0.014inch=14mils=0.3556mm,0.021inch=21mils=0.5334mm用來采集故障軸承的振動加速度信號的加速度傳感器布置在電動機(jī)風(fēng)扇端和驅(qū)動端的軸承座的上。在軸承座的 12 點(diǎn)鐘方向吸附著用來采集振動信號的加速度傳感

凱斯西儲大學(xué)軸承中心軸承故障診斷的數(shù)據(jù)集（CWRU）是目前最有權(quán)威性的公開數(shù)據(jù)集之一，所以本次論文研究相關(guān)實(shí)驗(yàn)也采用 CWRU 數(shù)據(jù)集[30]。實(shí)驗(yàn)平臺（圖2.1）由測力測量器、編碼器、扭矩傳感器、2 馬力的電動機(jī)四部分組成，通過振動信號采集裝置加速度傳感器來獲取滾動軸承的狀態(tài)信息，加速度傳感器的安裝位置通常安裝在電機(jī)殼驅(qū)動端或風(fēng)扇端軸承座的正 12 點(diǎn)位置。圖 2.1 實(shí)驗(yàn)平臺滾動軸承內(nèi)部結(jié)構(gòu)與軸承故障位置示意圖如下：

【參考文獻(xiàn)】：
期刊論文
[1]基于FFT與CS-SVM的滾動軸承故障診斷[J]. 解曉婷,李少波,楊觀賜,劉國凱,姚雪梅.  組合機(jī)床與自動化加工技術(shù). 2019(04)
[2]基于特征提取與識別兩階段的汽車電機(jī)軸承故障診斷[J]. 李遠(yuǎn)軍,孫繼炫.  電子測量與儀器學(xué)報. 2019(02)
[3]基于短時傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠(yuǎn)韜.  振動與沖擊. 2018(19)
[4]基于自參考自適應(yīng)消噪的行星輪軸承內(nèi)圈故障特征提取[J]. 賀東臺,郭瑜,伍星,劉志琦,趙磊.  振動與沖擊. 2018(17)
[5]EEMD降噪與倒頻譜分析在風(fēng)電軸承故障診斷中的應(yīng)用[J]. 李紅,孫冬梅,沈玉成.  機(jī)床與液壓. 2018(13)
[6]基于時域同步平均與分離技術(shù)的齒輪箱振動信號混沌特性驗(yàn)證[J]. 李杰,趙建民.  機(jī)械傳動. 2018(07)
[7]基于深度卷積網(wǎng)絡(luò)的電熔鎂爐欠燒工況在線識別[J]. 盧紹文,王克棟,吳志偉,李鵬琦,郭章.  控制與決策. 2019(07)
[8]群智能算法優(yōu)化支持向量機(jī)參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學(xué)報. 2018(01)
[9]基于小波消噪和優(yōu)化支持向量機(jī)的板形模式識別[J]. 吳忠強(qiáng),康曉華,于丹琦.  中國機(jī)械工程. 2018(01)
[10]基于SVD優(yōu)化LMD的電梯導(dǎo)靴振動信號故障特征提取[J]. 陶然,許有才,鄧方華,郭澍,李新仕,茍敏,李琨,王華.  振動與沖擊. 2017(22)

博士論文
[1]基于循環(huán)平穩(wěn)信號處理的滾動軸承故障診斷方法研究[D]. 周福昌.上海交通大學(xué) 2006

碩士論文
[1]風(fēng)光儲能電站數(shù)據(jù)分析與評價模型研究[D]. 魏婭.北方工業(yè)大學(xué) 2016
[2]智能倒頻譜及其在故障診斷中的應(yīng)用研究[D]. 郭艷均.鄭州大學(xué) 2015
[3]基于布谷鳥算法的鋁熱連軋軋制規(guī)程優(yōu)化[D]. 陳偉明.燕山大學(xué) 2014
[4]基于EMD的滾動軸承故障診斷方法的研究[D]. 陸小明.蘇州大學(xué) 2012
[5]高速牽引電機(jī)軸承試驗(yàn)與測試研究[D]. 陳東雷.北京交通大學(xué) 2009
[6]旋轉(zhuǎn)機(jī)械故障特征提取技術(shù)及其系統(tǒng)研究[D]. 張韌.浙江大學(xué) 2004



本文編號：2915483