發(fā)布時間：2020-11-21 11:55

　　 機電裝備朝著大型化、高速化、精密化、系統(tǒng)化和自動化的方向發(fā)展。建立可靠的健康檢測系統(tǒng),是保證機電裝備平穩(wěn)運行的關(guān)鍵。隨著設(shè)備檢測點的數(shù)量與采樣頻率的增加,機械健康監(jiān)測進(jìn)入了“大數(shù)據(jù)”時代。基于信號處理的特征提取+分類器的傳統(tǒng)智能診斷算法,對專家經(jīng)驗要求高,設(shè)計耗時且不能保證通用性,已經(jīng)不能滿足機械大數(shù)據(jù)的要求。本文針對該問題,以機械中最重要的零件軸承為研究對象,提出了一套基于卷積神經(jīng)網(wǎng)絡(luò)智能診斷算法,該算法可以自動完成特征提取以及故障識別。本文首先提出了具有兩個卷積層的卷積神經(jīng)網(wǎng)絡(luò),對時域振動信號進(jìn)行診斷。利用數(shù)據(jù)集增強技術(shù),模型在CWRU軸承數(shù)據(jù)庫上的識別率達(dá)到了99%以上。該模型是第一個直接作用在時域振動信號上,對軸承進(jìn)行故障診斷的卷積神經(jīng)網(wǎng)絡(luò)。通過進(jìn)一步分析振動信號的特點,提出了用于軸承故障診斷的卷積神經(jīng)網(wǎng)絡(luò)框架WDCNN模型。該模型具有第一層大卷積核以及多層小卷積核的鮮明特征。利用批量歸一化算法,模型的訓(xùn)練速度很快。給出了WDCNN模型的設(shè)計準(zhǔn)則,降低了故障診斷算法的設(shè)計難度。WDCNN在CWRU數(shù)據(jù)庫上的識別率可以達(dá)到100%。針對噪聲以及變負(fù)載情況下,軸承故障診斷系統(tǒng)識別率會降低的問題。本文首次將這兩類問題共同歸結(jié)為機器學(xué)習(xí)中的領(lǐng)域自適應(yīng)問題,并引入了自適應(yīng)批量歸一化算法,對WDCNN模型進(jìn)行改進(jìn)。該算法大幅提高了WDCNN模型的抗噪性以及變負(fù)載自適應(yīng)性。針對神經(jīng)網(wǎng)絡(luò)難以分析的難題,利用數(shù)據(jù)可視化技術(shù),展示了WDCNN模型診斷軸承故障信號的過程。針對自適應(yīng)批量歸一化算法需要測試集的統(tǒng)計信息的不足,提出了TICNN模型。TICNN模型利用卷積核Dropout與極小批量訓(xùn)練,為卷積神經(jīng)網(wǎng)絡(luò)引入訓(xùn)練干擾,增強了模型的泛化性能。為了進(jìn)一步提高網(wǎng)絡(luò)性能,使用集成學(xué)習(xí)來提高模型的識別率與穩(wěn)定性。TICNN模型不需要任何測試集的信息,無需任何降噪預(yù)處理,取得了很高抗噪與變負(fù)載自適應(yīng)性能。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TH133.3;TP183
【部分圖文】：

LAMSTAR結(jié)構(gòu)圖

圖 1-2 基于稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[24]2016 年，中國科技大學(xué)的竺長安等人[25]利用深度置信網(wǎng)絡(luò)，提出使用分層診斷網(wǎng)絡(luò) HDN（HierarchicalDiagnosisNetwork），對滾動軸承進(jìn)行故障診斷。該方法先使用 DBN 確定軸承損傷位置，即無缺陷，內(nèi)圈，外圈與滾動體缺陷的診斷，再用 DBN 對損傷的大小進(jìn)行診斷，診斷的結(jié)果一共 10 類。利用該分層結(jié)構(gòu)，對采

圖 1-3AlexNet 結(jié)構(gòu)圖[28]2015 年，微軟研究院何愷明等提出殘差卷積神經(jīng)網(wǎng)絡(luò) ResNet，在計算機視覺歷史上，首次取得高于人眼的圖像識別率[30]。該網(wǎng)絡(luò)利用恒等映射層，可以將原始輸入信號傳遞到最后一層，解決了深度神經(jīng)網(wǎng)絡(luò)的梯度彌散問題，最終設(shè)計出高達(dá)152 層的卷積神經(jīng)網(wǎng)絡(luò)。該模型在斯坦福大學(xué) ImageNet 挑戰(zhàn)中的錯誤率僅為 4.94%，
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 魏永合;馮睿智;魏超;王晶晶;;一種優(yōu)化的SOM模型及其在軸承故障診斷中的應(yīng)用[J];沈陽理工大學(xué)學(xué)報;2017年03期

3 韓東;王學(xué)軍;;基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)多姿態(tài)人臉識別研究[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2018年05期

4 索琰琰;吳昊;李嬈;馮成;孟令凱;苑海朝;;淺談卷積神經(jīng)網(wǎng)絡(luò)[J];數(shù)碼世界;2018年05期

5 靳麗蕾;楊文柱;王思樂;崔振超;陳向陽;陳麗萍;;一種用于卷積神經(jīng)網(wǎng)絡(luò)壓縮的混合剪枝方法[J];小型微型計算機系統(tǒng);2018年12期

6 陳柏立;林楠;;基于卷積神經(jīng)網(wǎng)絡(luò)的交通路標(biāo)識別[J];計算機與現(xiàn)代化;2018年07期

7 孫曉濤;高軍偉;毛云龍;張彬;董宏輝;;基于小波包變換與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J];工業(yè)控制計算機;2017年08期

8 路凱;;一種基于卷積神經(jīng)網(wǎng)絡(luò)的船舶識別方法[J];許昌學(xué)院學(xué)報;2019年02期

9 趙玉芹;鹿艷晶;;基于卷積神經(jīng)網(wǎng)絡(luò)的隱藏信息實時識別算法[J];信息與電腦(理論版);2018年15期

10 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

相關(guān)博士學(xué)位論文 前10條

1 周穎華;具時變脈沖的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性研究[D];西南大學(xué);2018年

2 張婷;深度神經(jīng)網(wǎng)絡(luò)的核映射結(jié)構(gòu)和跨連結(jié)構(gòu)研究[D];北京工業(yè)大學(xué);2018年

3 胡中旭;虛擬場景人機交互中手勢識別技術(shù)研究[D];華中科技大學(xué);2018年

4 蒙西;模塊化神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計及應(yīng)用研究[D];北京工業(yè)大學(xué);2018年

5 楊莉萍;量子計算及其在生物化學(xué)問題中的應(yīng)用研究[D];華中科技大學(xué);2018年

6 涂正文;基于慣性項和四元數(shù)的神經(jīng)網(wǎng)絡(luò)的動力學(xué)行為分析[D];東南大學(xué);2018年

7 張浩;耦合反應(yīng)擴散神經(jīng)網(wǎng)絡(luò)的同步分析與控制[D];華中科技大學(xué);2018年

8 周徐達(dá);稀疏神經(jīng)網(wǎng)絡(luò)和稀疏神經(jīng)網(wǎng)絡(luò)加速器的研究[D];中國科學(xué)技術(shù)大學(xué);2019年

9 王國威;異源軌跡鏈接問題研究[D];中國科學(xué)技術(shù)大學(xué);2019年

10 劉梅;網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定和同步行為研究[D];新疆大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 張偉;基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D];哈爾濱工業(yè)大學(xué);2017年

2 張洋陽;基于卷積神經(jīng)網(wǎng)絡(luò)的場景分類的研究與應(yīng)用[D];蘭州理工大學(xué);2017年

3 吳章輝;基于樹狀卷積神經(jīng)網(wǎng)絡(luò)的車標(biāo)識別[D];湘潭大學(xué);2017年

4 裴子龍;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉性別識別研究[D];山西師范大學(xué);2017年

5 郭田梅;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D];濟南大學(xué);2017年

6 李靜;基于卷積神經(jīng)網(wǎng)絡(luò)的虛假評論識別技術(shù)的研究[D];北京郵電大學(xué);2017年

7 史曉霞;卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用分析[D];廣東工業(yè)大學(xué);2017年

8 胡琛;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D];武漢工程大學(xué);2017年

9 倪佳佳;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉驗證研究[D];湘潭大學(xué);2017年

10 劉鍵;基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法研究[D];哈爾濱工業(yè)大學(xué);2017年

本文編號：2892958