發(fā)布時(shí)間：2022-10-21 16:39

　　針對燃?xì)廨啓C(jī)故障信號為變速非平穩(wěn)信號的特點(diǎn),使用非線性調(diào)頻分量分解方法對燃?xì)廨啓C(jī)機(jī)匣振動信號進(jìn)行時(shí)頻分析,并利用卷積神經(jīng)網(wǎng)絡(luò)對燃?xì)廨啓C(jī)轉(zhuǎn)子進(jìn)行故障診斷。首先使用非線性調(diào)頻分量分解方法將信號分解成多個(gè)頻率分量,得到各個(gè)頻率成分的瞬時(shí)頻率,并繪制時(shí)頻圖。將時(shí)頻圖經(jīng)過灰度處理以及尺寸壓縮等預(yù)處理后作為輸入訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力實(shí)現(xiàn)燃?xì)廨啓C(jī)轉(zhuǎn)子故障的有效診斷。實(shí)驗(yàn)結(jié)果表明,針對燃?xì)廨啓C(jī)轉(zhuǎn)子故障,該模型能夠獲得很好的診斷效果,測試準(zhǔn)確率約為99%。 

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 相關(guān)理論
    1.1 非線性調(diào)頻分量分解
    1.2 卷積神經(jīng)網(wǎng)絡(luò)
2 燃?xì)廨啓C(jī)轉(zhuǎn)子故障診斷模型
3 實(shí)驗(yàn)驗(yàn)證
4 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)匣信號的滾動軸承故障卷積神經(jīng)網(wǎng)絡(luò)診斷方法[J]. 張向陽,陳果,郝騰飛,賀志遠(yuǎn),李栩進(jìn),成震杰.  航空動力學(xué)報(bào). 2019(12)
[2]基于時(shí)頻圖和CNN的滾動軸承故障診斷[J]. 劉炳集,熊邦書,歐巧鳳,陳新云.  南昌航空大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[3]非線性調(diào)頻分量分解的轉(zhuǎn)子油膜渦動信號分析研究[J]. 李玲玲,陳是扦,彭志科.  噪聲與振動控制. 2017(05)
[4]基于小波時(shí)頻圖和CNN的滾動軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機(jī)械設(shè)計(jì)與研究. 2017(02)
[5]基于EMD能量熵和相關(guān)向量機(jī)的燃機(jī)渦輪葉片故障診斷方法[J]. 陳立偉,王鐵深,黃璐.  應(yīng)用科技. 2016(01)

碩士論文
[1]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



本文編號：3696006