【摘要】：自動傾斜器是直升機傳動系統(tǒng)的重要組成部分,滾動軸承作為自動傾斜器中的核心部件,若發(fā)生故障必然給直升機的飛行帶來安全隱患。因此,研究滾動軸承故障診斷方法對保證直升機的安全飛行有著重要的實際意義。自動傾斜器滾動軸承具有滾珠多、尺寸大和轉(zhuǎn)速低的特點,傳統(tǒng)軸承故障診斷方法過程復(fù)雜,且識別率不高,深度學(xué)習(xí)作為一種人工智能技術(shù),在處理大數(shù)據(jù)任務(wù)中有著獨特的優(yōu)勢,已在許多領(lǐng)域取得了不錯的效果。本文利用卷積自編碼器(Deep Convolutional AutoEncoder,DCAE)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN),開展了滾動軸承故障診斷方法研究。主要工作內(nèi)容和研究成果如下:(1)介紹了相關(guān)理論基礎(chǔ)。首先,自動傾斜器滾動軸承采集的振動信號具有非線性、非平穩(wěn)的特性,介紹了小波變換的時頻分析方法;其次,介紹了CNN的基本結(jié)構(gòu)和分類原理;最后,介紹了DCAE的結(jié)構(gòu)和去噪原理。(2)針對直升機自動傾斜器滾動軸承具有滾珠多、尺寸大和轉(zhuǎn)速低的特點,且工作環(huán)境復(fù)雜、噪聲干擾大的問題,提出了基于DCAE的深度學(xué)習(xí)圖像去噪方法。首先,構(gòu)造不同噪聲環(huán)境下的小波時頻圖;其次,設(shè)計了用于圖像去噪的DCAE網(wǎng)絡(luò)模型,通過實驗確定網(wǎng)絡(luò)層數(shù)、底層卷積核數(shù)量、學(xué)習(xí)率和損失函數(shù)等參數(shù)。實驗結(jié)果表明,不論時頻圖含噪聲大或者是小,DCAE都有較好的去噪效果。(3)提出了基于DCAE-CNN的自動傾斜器滾動軸承的故障診斷方法。首先,利用不同噪聲環(huán)境下的時頻圖訓(xùn)練DCAE,減小噪聲對時頻圖的干擾;其次,通過實驗確定最佳CNN的網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),最后,利用CNN將去噪后的時頻圖進行故障分類。利用課題組自動傾斜器滾動軸承數(shù)據(jù)集和凱斯西儲大學(xué)公開軸承數(shù)據(jù)集開展真實診斷實驗,結(jié)果表明,本文方法在不同的噪聲環(huán)境下都有著較好的診斷效果,尤其在高噪聲環(huán)境下,與其它深度學(xué)習(xí)方法對比,有著更高的診斷正確率。
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：V275.1;V267
【圖文】：

圖 1-1 傳統(tǒng)軸承故障診斷步驟度傳感器裝置采集，將采集到用的處理方法有平滑處理、剔速傳感裝置采集的振動信號往的預(yù)處理中應(yīng)用最為廣泛，常、小波濾波等。故障診斷方法中的核心環(huán)節(jié)，，傳統(tǒng)故障診斷方法的特征提征，其中，時域特征有均值、譜[9]、包絡(luò)譜[10]、奇異譜[11]、峭3]、Wigner-Ville 分布、經(jīng)驗?zāi)B(tài)分換[18,19]等。特征進行故障類型判別，常見的量機[22]、人工神經(jīng)網(wǎng)絡(luò)[23]等，類效果，從而得到了廣泛的應(yīng)用

空大學(xué)碩士學(xué)位論文 第 1 紀(jì)以來，隨著計算機計算能力的巨大提高，為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練提。目前，深度學(xué)習(xí)已成為許多學(xué)者研究的對象，已成功應(yīng)用于圖像識測[25]、計算機視覺[26]等領(lǐng)域。深度學(xué)習(xí)具有自動提取特征的優(yōu)點，人為設(shè)計特征的過程，國內(nèi)外已有許多學(xué)者將深度學(xué)習(xí)用在軸承故[27,28]，并取得了比較理想的效果。下面將詳細介紹幾種基于深度學(xué)習(xí)斷方法與其研究現(xiàn)狀：1) 基于深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)的軸承故障方法[29,30]：率生成模型，主要由多個受限玻爾茲曼機(Restricted Boltzmann M堆疊組成，網(wǎng)絡(luò)訓(xùn)練過程為逐層貪婪訓(xùn)練單個 RBM，其中，RBM 與 DB圖 1-2、圖 1-3 所示。

目標(biāo)檢測[25]、計算機視覺[26]等領(lǐng)域。深度學(xué)習(xí)具有自動提取特征的優(yōu)點，省去了繁瑣的人為設(shè)計特征的過程，國內(nèi)外已有許多學(xué)者將深度學(xué)習(xí)用在軸承故障診斷研究中[27,28]，并取得了比較理想的效果。下面將詳細介紹幾種基于深度學(xué)習(xí)的軸承故障診斷方法與其研究現(xiàn)狀：(1) 基于深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)的軸承故障方法[29,30]：DBN 是一種概率生成模型，主要由多個受限玻爾茲曼機(Restricted Boltzmann Machines,RBM)堆疊組成，網(wǎng)絡(luò)訓(xùn)練過程為逐層貪婪訓(xùn)練單個 RBM，其中，RBM 與 DBN 結(jié)構(gòu)分別如圖 1-2、圖 1-3 所示。圖 1-2 受限玻爾茲曼機結(jié)構(gòu)圖

【相似文獻】

相關(guān)期刊論文 前10條

1 馬峰濤;劉文勝;王媛媛;;直升機自動傾斜器大軸承耐久性試驗機研制[J];軸承;2018年05期

2 王媛媛;馬峰濤;劉文勝;郭亮;張彥勇;;直升機自動傾斜器立式專用軸承試驗機的研制[J];軸承;2019年06期

3 王澤峰;李清龍;;直升機機動飛行過程中的自動傾斜器載荷分析[J];科技創(chuàng)新與應(yīng)用;2018年01期

4 劉峰;王學(xué)雷;郭希娟;張少坤;;基于ANSYS和ADAMS的自動傾斜器柔性動平臺動力學(xué)仿真分析[J];現(xiàn)代制造工程;2014年11期

5 李小龍;楊茂;;無自動傾斜器旋翼分析[J];科學(xué)技術(shù)與工程;2012年16期

6 孫偉;李新民;金小強;黃建萍;張先輝;;基于MCKD和增強倒頻譜的直升機自動傾斜器滾動軸承故障診斷方法[J];振動與沖擊;2019年02期

7 包名;李清蓉;熊欣;;自動傾斜器扭力臂疲勞試驗件破壞問題探究與分析[J];直升機技術(shù);2017年04期

8 周進;徐傳勝;童明波;曾建江;;基于CATIA CAA的槳轂與自動傾斜器參數(shù)化骨架模型與運動分析[J];機械設(shè)計與制造工程;2018年05期

9 張先輝;李新民;金小強;陳煥;;基于局部Hilbert邊際譜的自動傾斜器軸承故障診斷[J];新技術(shù)新工藝;2017年06期

10 楊育林;樊少帥;杜雄;郭希娟;;自動傾斜器不旋轉(zhuǎn)環(huán)操縱機構(gòu)等效并聯(lián)機構(gòu)尺寸優(yōu)化分析[J];機械工程學(xué)報;2010年07期

相關(guān)會議論文 前1條

1 朱長春;;直11自動傾斜器豎向振動的識別與估計[A];中國工程物理研究院科技年報（1999）[C];1999年

相關(guān)碩士學(xué)位論文 前10條

1 萬齊楊;基于DCAE-CNN的直升機自動傾斜器滾動軸承故障診斷方法研究[D];南昌航空大學(xué);2019年

2 姚瑞琦;基于信息熵的直升機自動傾斜器滾動軸承故障診斷方法研究[D];南昌航空大學(xué);2017年

3 張華杰;直升機自動傾斜器軸承振動采集系統(tǒng)[D];南昌航空大學(xué);2015年

4 劉炳集;基于時頻圖和CNN的直升機自動傾斜器滾動軸承故障診斷方法研究[D];南昌航空大學(xué);2018年

5 趙元;基于加速退化試驗的關(guān)節(jié)軸承壽命預(yù)測方法[D];國防科學(xué)技術(shù)大學(xué);2012年

6 劉翔;一種新型球鉸軸承試驗機的力學(xué)分析[D];燕山大學(xué);2015年

7 李龍;直升機自動傾斜器滾動軸承故障診斷方法研究[D];南昌航空大學(xué);2014年

8 饒延安;串聯(lián)式混聯(lián)機構(gòu)的力學(xué)分析及動力學(xué)仿真[D];燕山大學(xué);2015年

9 馬艷艷;直升機自動傾斜器球鉸軸承測試機構(gòu)的研究[D];燕山大學(xué);2014年

10 王學(xué)雷;直升機自動傾斜器力學(xué)分析及動力學(xué)仿真[D];燕山大學(xué);2013年

本文編號：2769125