滾動軸承是機(jī)械設(shè)備的關(guān)鍵部件,對其進(jìn)行的智能故障診斷技術(shù)已有許多應(yīng)用,但仍然存在許多不足之處。滾動軸承時域和頻域信號包含了其運(yùn)行狀態(tài)的重要信息,在基于振動信號特征提取的滾動軸承故障診斷算法模型中,首先對振動信號進(jìn)行預(yù)處理和特征提取,然后輸入分類器進(jìn)行故障分類,這類故障診斷方法在特征提取時依賴人為經(jīng)驗(yàn)選擇,進(jìn)而導(dǎo)致特征提取不全面、不充分的問題。本文把深度卷積神經(jīng)網(wǎng)絡(luò)和抗體免疫引入滾動軸承故障診斷領(lǐng)域,提出了一種免疫自適應(yīng)的深度卷積神經(jīng)網(wǎng)絡(luò)滾動軸承故障診斷模型,利用深度卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)的提取滾動軸承時域和頻域信號特征,實(shí)現(xiàn)從原始數(shù)據(jù)到診斷結(jié)果的直接映射,使故障診斷過程更加的智能化,減少了人為因素的干擾。深度學(xué)習(xí)在滾動軸承故障領(lǐng)域已有應(yīng)用,主要是針對已知故障的識別,在出現(xiàn)未知故障時無法進(jìn)行自適應(yīng)調(diào)整,必須重新訓(xùn)練模型,導(dǎo)致出現(xiàn)模型自適應(yīng)能力差的問題。本文在滾動軸承出現(xiàn)未知故障時,把深度卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器,利用免疫自學(xué)習(xí)特性生成未知故障檢測器,用于該故障類型再次出現(xiàn)時進(jìn)行快速診斷,實(shí)現(xiàn)未知故障的識別。針對自適應(yīng)算法模型檢測和學(xué)習(xí)時間長,故障診斷實(shí)時性的要求,提出了一種基于深度卷積神經(jīng)... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 目前研究存在的問題
    1.4 論文研究的主要內(nèi)容
    1.5 論文整體結(jié)構(gòu)框架
第二章 相關(guān)理論技術(shù)介紹
    2.1 故障診斷技術(shù)
        2.1.1 時域分析技術(shù)
        2.1.2 時頻分析技術(shù)
    2.2 人工免疫算法
        2.2.1 免疫特性
        2.2.2 克隆選擇算法
    2.3 深度學(xué)習(xí)理論
        2.3.1 深度置信網(wǎng)絡(luò)原理
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)原理
    2.4 本章小結(jié)
第三章 自適應(yīng)的DCNN故障診斷模型
    3.1 Sel-DCNN模型整體架構(gòu)
    3.2 DCNN故障診斷模型構(gòu)建和訓(xùn)練
        3.2.1 DCNN故障診斷模型參數(shù)選擇
        3.2.2 DCNN輸入時域和頻域信號大小選擇
        3.2.3 DCNN時域和頻域故障診斷模型設(shè)計(jì)
        3.2.4 DCNN模型訓(xùn)練
    3.3 故障診斷
        3.3.1 已知故障診斷
        3.3.2 未知故障診斷
    3.4 未知故障學(xué)習(xí)
        3.4.1 免疫組件定義
        3.4.2 抗體免疫學(xué)習(xí)
    3.5 自適應(yīng)DCNN檢測
    3.6 本章小結(jié)
第四章 基于DCNN分組克隆策略的快速故障診斷模型
    4.1 DCNN-GCS策略的故障診斷模型
    4.2 故障檢測
        4.2.1 結(jié)果可靠性評估
        4.2.2 故障確定性檢測
    4.3 分組克隆策略在線學(xué)習(xí)
        4.3.1 基本組件定義
        4.3.2 分組克隆規(guī)則
        4.3.3 連續(xù)區(qū)域變異操作
        4.3.4 在線學(xué)習(xí)
    4.4 DCNN分組克隆策略模型
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)設(shè)計(jì)與分析
    5.1 實(shí)驗(yàn)開發(fā)環(huán)境
    5.2 數(shù)據(jù)來源和預(yù)處理
    5.3 實(shí)驗(yàn)評價指標(biāo)
    5.4 實(shí)驗(yàn)主要內(nèi)容
        5.4.1 DCNN模型訓(xùn)練過程
        5.4.2 Sel-DCNN診斷結(jié)果與分析
        5.4.3 DCNN-GCS診斷結(jié)果與分析
        5.4.4 深度卷積相關(guān)算法模型對比
        5.4.5 算法模型檢測效率對比
    5.5 DCNN特征提取有效性驗(yàn)證
        5.5.1 DCNN與特征提取技術(shù)對比
        5.5.2 DCNN與深度置信網(wǎng)絡(luò)對比
    5.6 故障程度評估和自適應(yīng)能力
        5.6.1 DCNN故障程度評估
        5.6.2 環(huán)境突變自適應(yīng)能力
    5.7 多監(jiān)測點(diǎn)診斷實(shí)驗(yàn)
    5.8 實(shí)時監(jiān)測診斷
    5.9 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
致謝
攻讀碩士期間發(fā)表論文


【參考文獻(xiàn)】：
期刊論文
[1]基于堆疊稀疏自編碼的滾動軸承故障診斷[J]. 侯榮濤,周子賢,趙曉平,謝陽陽,王麗華.  軸承. 2018(03)
[2]基于DGA和深度置信網(wǎng)絡(luò)的變壓器內(nèi)部故障診斷[J]. 姜有泉,黃良,王波,趙立進(jìn),呂黔蘇,楊濤,吳建蓉.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2017(05)
[3]采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法[J]. 王麗華,謝陽陽,張永宏,趙曉平,周子賢.  西安交通大學(xué)學(xué)報(bào). 2017(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J]. 賈京龍,余濤,吳子杰,程小華.  電測與儀表. 2017(13)
[5]An algorithm to remove noise from locomotive bearing vibration signal based on self-adaptive EEMD filter[J]. 王春生,沙春陽,粟梅,胡玉坤.  Journal of Central South University. 2017(02)
[6]基于EEMD和模糊BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J]. 張國銀,王雪,王海瑞,郝家驥,宋怡然.  化工自動化及儀表. 2017(01)
[7]基于小波包和PSO-Elman神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J]. 楊偉力,于陽陽,羅達(dá)燦.  機(jī)械與電子. 2016(05)
[8]基于深度信念網(wǎng)絡(luò)的軸承故障分類識別[J]. 李巍華,單外平,曾雪瓊.  振動工程學(xué)報(bào). 2016(02)
[9]基于改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J]. 程聲烽,程小華,楊露.  電力系統(tǒng)保護(hù)與控制. 2014(19)
[10]基于神經(jīng)網(wǎng)絡(luò)與小波變換的滾動軸承故障診斷[J]. 胡耀斌,謝靜,胡良斌.  機(jī)械設(shè)計(jì)與研究. 2013(06)

博士論文
[1]基于多路傳感器信息融合的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D]. 許同樂.北京郵電大學(xué) 2012
[2]基于EMD的機(jī)械振動分析與診斷方法研究[D]. 曹沖鋒.浙江大學(xué) 2009

碩士論文
[1]基于LabVIEW的電機(jī)滾動軸承故障診斷系統(tǒng)的研究與實(shí)現(xiàn)[D]. 陳明星.安徽工業(yè)大學(xué) 2017
[2]基于堆棧降噪自編碼的軸承故障診斷方法研究[D]. 胡俊.華東交通大學(xué) 2017
[3]基于深度學(xué)習(xí)模型的感應(yīng)電機(jī)故障診斷方法研究[D]. 孫文珺.東南大學(xué) 2017
[4]基于深度信念網(wǎng)絡(luò)與多傳感器信息融合的滾動軸承故障診斷研究[D]. 俞昆.青島理工大學(xué) 2016
[5]基于機(jī)器學(xué)習(xí)的滾動軸承故障識別研究[D]. 陳春旭.中國礦業(yè)大學(xué) 2016
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的變速器故障分類識別研究[D]. 曾雪瓊.華南理工大學(xué) 2016
[7]基于深度學(xué)習(xí)的變壓器故障診斷技術(shù)研究[D]. 石鑫.華北電力大學(xué) 2016
[8]人工免疫系統(tǒng)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[D]. 周麗華.北京理工大學(xué) 2016
[9]綜合傳動倒檔齒輪異響檢測技術(shù)研究[D]. 葉硼林.北京理工大學(xué) 2015
[10]基于小波包分解和希爾伯特黃變換的滾動軸承故障診斷[D]. 熊星.中國科學(xué)技術(shù)大學(xué) 2014



本文編號：3475633