隨著“工業(yè)4.0”、“中國制造2025”等戰(zhàn)略的提出和推進,高端制造系統(tǒng)及智能機械設備的研究正在受到越來越多的重視。機械設備在實際生產(chǎn)中一旦出現(xiàn)故障而未被及時察覺,會造成嚴重的經(jīng)濟損失甚至安全事故,因此機械設備故障識別與狀態(tài)評估的研究具有重要意義。本文以機械裝備的關鍵零部件軸承為研究對象,基于現(xiàn)代信號分析方法、大數(shù)據(jù)處理、流形學習、深度學習等前沿技術和理論,沿著故障識別和狀態(tài)評估這兩條主線展開研究,主要完成了以下三個方面的研究內(nèi)容:（1）分析了工程實際中機械設備振動信號的特點,提出從信號中提取11個時域特征、13個頻域特征及14個小波包能量特征構成混合域高維特征集。針對高維特征集信息冗余、易造成“過擬合”、計算效率低等問題,提出運用流形學習算法將高維特征轉(zhuǎn)換到低維空間。實例分析結(jié)果表明,流形學習方法能夠不失真地將高維特征數(shù)據(jù)映射到低維空間,且更利于后續(xù)的計算分析。（2）分析了深度學習理論在各類模式識別問題中的優(yōu)良性能及其存在的不足,引入深度置信網(wǎng)絡（Deep Belief Network,DBN）到故障識別領域。針對DBN模型的不穩(wěn)定、不確定性以及難以與實際問題建立對應的有效模型等問題... 

【文章來源】：重慶大學重慶市211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 課題背景和研究意義
    1.2 機械設備故障診斷國內(nèi)外研究現(xiàn)狀分析
        1.2.1 特征提取與空間轉(zhuǎn)換研究現(xiàn)狀
        1.2.2 基于機器學習的數(shù)據(jù)挖掘研究現(xiàn)狀
        1.2.3 機械設備故障診斷研究現(xiàn)狀與分析
    1.3 本文的結(jié)構安排
2 混合域特征提取及流形空間轉(zhuǎn)換
    2.1 信號預處理
    2.2 混合域特征提取
        2.2.1 時域、頻域特征提取
        2.2.2 小波包能量特征提取
    2.3 基于流形學習的特征空間轉(zhuǎn)換
        2.3.1 流形學習特征轉(zhuǎn)換概述
        2.3.2 等距映射(Isomap)
        2.3.3 主成分分析(PCA)
        2.3.4 其他主要特征空間轉(zhuǎn)換方法
        2.3.5 轉(zhuǎn)換效果比較
    2.4 本章小結(jié)
3 基于SAA的DBN故障識別模型優(yōu)化
    3.1 深度置信網(wǎng)絡(DBN)
        3.1.1 DBN網(wǎng)絡結(jié)構
        3.1.2 DBN訓練
    3.2 DBN故障識別
        3.2.1 DBN故障識別分析
        3.2.2 DBN故障識別模型的建立
    3.3 基于SAA的DBN網(wǎng)絡結(jié)構優(yōu)化
        3.3.1 SAA算法
        3.3.2 基于SAA的DBN優(yōu)化過程
    3.4 實驗分析
        3.4.1 實驗及數(shù)據(jù)
        3.4.2 實驗分析及對比
    3.5 本章小結(jié)
4 基于DBN自學習原始信號的狀態(tài)評估研究
    4.1 基于原始信號的狀態(tài)評估研究分析
    4.2 DBN狀態(tài)評估
        4.2.1 DBN自學習原始信號
        4.2.2 DBN狀態(tài)評估的實現(xiàn)
    4.3 實驗研究與對比
        4.3.1 實驗及數(shù)據(jù)
        4.3.2 狀態(tài)評估實驗結(jié)果
        4.3.3 對比實驗及分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 主要創(chuàng)新點
    5.3 研究展望
致謝
參考文獻
附錄
    A.作者在攻讀碩士學位期間發(fā)表的論文目錄
    B.作者在攻讀碩士學位期間參與的科研項目目錄
    C.作者在攻讀碩士學位期間所獲得的獎勵目錄


【參考文獻】：
期刊論文
[1]基于MDS和神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法[J]. 馬朝永,黃攀,胥永剛,付勝.  噪聲與振動控制. 2017(04)
[2]基于深度學習特征提取和粒子群支持向量機狀態(tài)識別的齒輪智能故障診斷[J]. 時培明,梁凱,趙娜,安淑君.  中國機械工程. 2017(09)
[3]相似性約束的深度置信網(wǎng)絡在SAR圖像目標識別的應用[J]. 丁軍,劉宏偉,陳渤,馮博,王英華.  電子與信息學報. 2016(01)
[4]基于混合遺傳模擬退火算法的SaaS構件優(yōu)化放置[J]. 孟凡超,初佃輝,李克秋,周學權.  軟件學報. 2016(04)
[5]基于多故障流形的旋轉(zhuǎn)機械故障診斷[J]. 蘇祖強,湯寶平,趙明航,秦毅.  振動工程學報. 2015(02)
[6]基于拉普拉斯特征映射的滾動軸承故障識別[J]. 黃宏臣,韓振南,張倩倩,李月仙,張志偉.  振動與沖擊. 2015(05)
[7]中國裝備制造業(yè)競爭力的制度分析[J]. 李懷,邵慰.  產(chǎn)業(yè)組織評論. 2014(04)
[8]大數(shù)據(jù)下的機器學習算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識別與人工智能. 2014(04)
[9]基于改進EMD的輸油管道泄漏信號特征提取方法研究[J]. 趙利強,王建林,于濤.  儀器儀表學報. 2013(12)
[10]機械故障診斷基礎研究“何去何從”[J]. 王國彪,何正嘉,陳雪峰,賴一楠.  機械工程學報. 2013(01)

博士論文
[1]模擬空間環(huán)境下滾動軸承壽命的振動譜表征與預測方法研究[D]. 張焱.重慶大學 2016
[2]混合蛙跳算法的改進及在旋轉(zhuǎn)機械故障診斷中的應用研究[D]. 趙轉(zhuǎn)哲.東南大學 2016
[3]基于流形學習的旋轉(zhuǎn)機械早期故障融合診斷方法研究[D]. 馬婧華.重慶大學 2015
[4]信號小波理論與一體化小波分析儀的研究[D]. 秦毅.重慶大學 2008

碩士論文
[1]基于大數(shù)據(jù)模型深度玻爾茲曼機的壓縮機組狀態(tài)預測方法研究[D]. 王洋紳.中國石油大學(北京) 2016
[2]主流形學習及應用[D]. 王曉丹.復旦大學 2011



本文編號：3630952