當(dāng)今社會(huì),電機(jī)設(shè)備在工業(yè)制造中有著較高的地位,它的出現(xiàn)以及發(fā)展,給工業(yè)帶來(lái)了巨大的利益,除此之外,它在我們的日常生活中也起到了舉足輕重的作用。任何一個(gè)工業(yè)部門和家庭都需要各種各樣的電機(jī),它作為當(dāng)今世界上使用最普遍、數(shù)量最多的供電設(shè)備和動(dòng)力機(jī)械,在大部分領(lǐng)域都有所涉及。由于電機(jī)在國(guó)內(nèi)外工業(yè)中的廣泛應(yīng)用,因此設(shè)備故障問(wèn)題以及故障帶來(lái)的各種巨大損失都值得我們重點(diǎn)關(guān)注。針對(duì)設(shè)備故障以及提高工業(yè)生產(chǎn)效率等問(wèn)題,需要時(shí)刻掌握電機(jī)的運(yùn)行狀態(tài),進(jìn)行實(shí)時(shí)監(jiān)測(cè),實(shí)現(xiàn)精確的電機(jī)故障診斷。本文以電機(jī)作為研究對(duì)象,提出利用無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)(Wireless Sensor Network,WSN)實(shí)時(shí)在線采集電機(jī)的振動(dòng)信號(hào),并結(jié)合時(shí)頻分析技術(shù)、圖像增強(qiáng)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)進(jìn)行電機(jī)故障分類。就傳統(tǒng)方法來(lái)說(shuō),通常利用傳感器首先將振動(dòng)、聲音、電壓、電流和溫度信號(hào)轉(zhuǎn)換成電信號(hào)。然后,數(shù)據(jù)采集系統(tǒng)(Data Acquisition System,DAS)獲取和量化這些模擬信號(hào),獲得數(shù)字信號(hào),服務(wù)器通過(guò)分布式DAS收集數(shù)據(jù)。最后,對(duì)數(shù)據(jù)運(yùn)用了特定的算法處理,...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

本文編號(hào)：3877714