基于深度學(xué)習(xí)的滾動(dòng)軸承PHM的應(yīng)用研究
發(fā)布時(shí)間：2021-06-22 12:17
隨著互聯(lián)網(wǎng)+、人工智能+領(lǐng)域的研究深入,制造業(yè)也在積極向智能化生產(chǎn)、智能化維護(hù)轉(zhuǎn)型。針對(duì)傳統(tǒng)的維護(hù)策略存在著“維護(hù)不足”或者“維護(hù)過(guò)�！钡膯�(wèn)題,故障預(yù)測(cè)與健康管理（PHM）成為當(dāng)下研究的重點(diǎn)。作為各種工業(yè)設(shè)備的基礎(chǔ)部件,滾動(dòng)軸承一旦故障會(huì)直接影響設(shè)備運(yùn)行,所以軸承的PHM研究具有重要的意義。深度學(xué)習(xí)作為近年來(lái)不斷發(fā)展的機(jī)器學(xué)習(xí)方法,在圖像識(shí)別、時(shí)間序列預(yù)測(cè)上都有不錯(cuò)的表現(xiàn)和優(yōu)秀的模型。本文針對(duì)當(dāng)前滾動(dòng)軸承PHM研究中復(fù)雜工況下故障識(shí)別困難、預(yù)測(cè)不準(zhǔn)確等痛點(diǎn),結(jié)合能量譜分析與深度學(xué)習(xí)方法,提取故障指標(biāo)進(jìn)行相關(guān)模型的建立,深入研究了深度學(xué)習(xí)方法在軸承PHM中的應(yīng)用,主要工作如下:1.針對(duì)變負(fù)載情況下軸承故障診斷不準(zhǔn)確的問(wèn)題,研究了基于Teager能量譜與卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。一方面將Teager能量譜圖引入到軸承的故障診斷中,能夠有效的區(qū)分變負(fù)載情況下的軸承狀態(tài);另一方面結(jié)合卷積神經(jīng)網(wǎng)絡(luò)建立診斷模型,直接對(duì)Teager能量譜進(jìn)行特征提取和分析,解決了人工特征提取不完善的問(wèn)題又能夠更好的對(duì)能量譜特征進(jìn)行分析,實(shí)現(xiàn)深層次的特征提取。通過(guò)美國(guó)西儲(chǔ)大學(xué)軸承故障數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)分析和驗(yàn)證,對(duì)網(wǎng)絡(luò)...
【文章來(lái)源】：青島大學(xué)山東省
【文章頁(yè)數(shù)】：83 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
故障診斷模型的構(gòu)建
青島大學(xué)碩士學(xué)位論文30的過(guò)擬合，訓(xùn)練集準(zhǔn)確度達(dá)到100%，但預(yù)測(cè)集準(zhǔn)確度卻不足50%，即模型泛化能力低。為了解決圖像過(guò)擬合問(wèn)題，嘗試對(duì)原網(wǎng)絡(luò)結(jié)構(gòu)加以調(diào)整。針對(duì)圖像過(guò)擬合以及數(shù)據(jù)集個(gè)數(shù)較少的問(wèn)題，Dropout是考慮的第一個(gè)解決方法。Dropout是Hinton于2012年提出的方法[86]，主要是針對(duì)模型參數(shù)多，但是樣本過(guò)少產(chǎn)生的過(guò)擬合現(xiàn)象。其主要原理是通過(guò)減少特征選擇器的重復(fù)作用來(lái)提高網(wǎng)絡(luò)性能。文獻(xiàn)[87,89]中都通過(guò)在全連接層使用Dropout方法來(lái)減少過(guò)擬合現(xiàn)象。所以嘗試在卷積層和全連接層加入Dropout層，經(jīng)過(guò)多次實(shí)驗(yàn)，最后一層pooling層后以及全連接層中加入Dropout層，得到了較好的訓(xùn)練效果(迭代50次，訓(xùn)練準(zhǔn)確率為93%，測(cè)試準(zhǔn)確率為90%)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。圖3.6增加了Dropout層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在pooling層后及全連接層中加入了Dropout層的方法使得網(wǎng)絡(luò)的準(zhǔn)確率得到了提升，但是其訓(xùn)練過(guò)程較慢且不穩(wěn)定（前27次迭代訓(xùn)練準(zhǔn)確率浮動(dòng)較大，訓(xùn)練準(zhǔn)確率38%左右）。遂考慮對(duì)數(shù)據(jù)進(jìn)行歸一化來(lái)解決不同范圍數(shù)據(jù)的影響，加強(qiáng)穩(wěn)定性，同時(shí)提高訓(xùn)練速度。BN層即BatchNormalization，由Sergey等人于2015年提出[87]，其優(yōu)點(diǎn)在于減少了調(diào)參的難度，可以使用較大學(xué)習(xí)率使得訓(xùn)練速度加快，同時(shí)使得訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分布一致。所以本文將其加入到卷積神經(jīng)網(wǎng)絡(luò)中以提高模型的泛化能力，模型測(cè)試十次中，最高測(cè)試準(zhǔn)確率達(dá)到100%。圖3.7增加了Dropout層與BN層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過(guò)對(duì)模型結(jié)構(gòu)的改進(jìn)和參數(shù)調(diào)整，得到適合用于當(dāng)前數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖3.7所示，本文最終改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)包括：兩個(gè)加入了BN層(Batch
青島大學(xué)碩士學(xué)位論文30的過(guò)擬合，訓(xùn)練集準(zhǔn)確度達(dá)到100%，但預(yù)測(cè)集準(zhǔn)確度卻不足50%，即模型泛化能力低。為了解決圖像過(guò)擬合問(wèn)題，嘗試對(duì)原網(wǎng)絡(luò)結(jié)構(gòu)加以調(diào)整。針對(duì)圖像過(guò)擬合以及數(shù)據(jù)集個(gè)數(shù)較少的問(wèn)題，Dropout是考慮的第一個(gè)解決方法。Dropout是Hinton于2012年提出的方法[86]，主要是針對(duì)模型參數(shù)多，但是樣本過(guò)少產(chǎn)生的過(guò)擬合現(xiàn)象。其主要原理是通過(guò)減少特征選擇器的重復(fù)作用來(lái)提高網(wǎng)絡(luò)性能。文獻(xiàn)[87,89]中都通過(guò)在全連接層使用Dropout方法來(lái)減少過(guò)擬合現(xiàn)象。所以嘗試在卷積層和全連接層加入Dropout層，經(jīng)過(guò)多次實(shí)驗(yàn)，最后一層pooling層后以及全連接層中加入Dropout層，得到了較好的訓(xùn)練效果(迭代50次，訓(xùn)練準(zhǔn)確率為93%，測(cè)試準(zhǔn)確率為90%)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。圖3.6增加了Dropout層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在pooling層后及全連接層中加入了Dropout層的方法使得網(wǎng)絡(luò)的準(zhǔn)確率得到了提升，但是其訓(xùn)練過(guò)程較慢且不穩(wěn)定（前27次迭代訓(xùn)練準(zhǔn)確率浮動(dòng)較大，訓(xùn)練準(zhǔn)確率38%左右）。遂考慮對(duì)數(shù)據(jù)進(jìn)行歸一化來(lái)解決不同范圍數(shù)據(jù)的影響，加強(qiáng)穩(wěn)定性，同時(shí)提高訓(xùn)練速度。BN層即BatchNormalization，由Sergey等人于2015年提出[87]，其優(yōu)點(diǎn)在于減少了調(diào)參的難度，可以使用較大學(xué)習(xí)率使得訓(xùn)練速度加快，同時(shí)使得訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分布一致。所以本文將其加入到卷積神經(jīng)網(wǎng)絡(luò)中以提高模型的泛化能力，模型測(cè)試十次中，最高測(cè)試準(zhǔn)確率達(dá)到100%。圖3.7增加了Dropout層與BN層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過(guò)對(duì)模型結(jié)構(gòu)的改進(jìn)和參數(shù)調(diào)整，得到適合用于當(dāng)前數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖3.7所示，本文最終改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)包括：兩個(gè)加入了BN層(Batch
【參考文獻(xiàn)】：
期刊論文
[1]船舶柴油機(jī)故障預(yù)測(cè)與健康管理技術(shù)綜述[J]. 柯赟,宋恩哲,姚崇,董全. 哈爾濱工程大學(xué)學(xué)報(bào). 2020(01)
[2]基于改進(jìn)關(guān)聯(lián)規(guī)則的卸船機(jī)故障預(yù)測(cè)模型[J]. 葉永偉,程毅飛,賴劍人,任設(shè)東. 中國(guó)機(jī)械工程. 2019(20)
[3]深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷中的應(yīng)用研究綜述[J]. 吳春志,馮輔周,吳守軍,陳湯,王杰. 噪聲與振動(dòng)控制. 2019(05)
[4]基于CNN-SVM的深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障識(shí)別研究[J]. 胡曉依,荊云建,宋志坤,侯銀慶. 振動(dòng)與沖擊. 2019(18)
[5]XJTU-SY滾動(dòng)軸承加速壽命試驗(yàn)數(shù)據(jù)集解讀[J]. 雷亞國(guó),韓天宇,王彪,李乃鵬,閆濤,楊軍. 機(jī)械工程學(xué)報(bào). 2019(16)
[6]基于連續(xù)型HMM和PSO-SVM的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J]. 劉波,寧芊,劉才學(xué),艾瓊,何攀. 計(jì)算機(jī)應(yīng)用. 2019(S1)
[7]數(shù)字孿生驅(qū)動(dòng)的工業(yè)園區(qū)“產(chǎn)—運(yùn)—存”聯(lián)動(dòng)決策架構(gòu)、模型與方法[J]. 周達(dá)堅(jiān),屈挺,張凱,郭洪飛,閆勉,李從東,黃國(guó)全. 計(jì)算機(jī)集成制造系統(tǒng). 2019(06)
[8]智能制造與全球價(jià)值鏈升級(jí)——海爾COSMOPlat案例研究[J]. 呂文晶,陳勁,劉進(jìn). 科研管理. 2019(04)
[9]基于螢火蟲優(yōu)化的核自動(dòng)編碼器在中介軸承故障診斷中的應(yīng)用[J]. 王奉濤,劉曉飛,敦泊森,鄧剛,韓清凱,李宏坤. 機(jī)械工程學(xué)報(bào). 2019(07)
[10]基于耦合隱馬爾可夫的軸承故障診斷方法[J]. 夏裕彬,梁大開(kāi),鄭國(guó),王景霖,曾捷. 振動(dòng).測(cè)試與診斷. 2018(06)
碩士論文
[1]基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)研究與應(yīng)用[D]. 穆童杰.西安郵電大學(xué) 2019
[2]面向過(guò)程的實(shí)時(shí)狀態(tài)監(jiān)測(cè)與故障診斷方法研究[D]. 姜婕.北京交通大學(xué) 2019
[3]基于神經(jīng)網(wǎng)絡(luò)的車輛軌跡預(yù)測(cè)算法的研究與實(shí)現(xiàn)[D]. 朱自升.西安電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)的圖像語(yǔ)義分割研究[D]. 肖旭.南昌航空大學(xué) 2017
[5]基于動(dòng)態(tài)狀態(tài)空間模型的滾動(dòng)軸承壽命預(yù)測(cè)研究[D]. 彭琦.北京化工大學(xué) 2016
[6]基于HMM的軸承故障診斷方法[D]. 李全.昆明理工大學(xué) 2010
本文編號(hào)：3242819
【文章來(lái)源】：青島大學(xué)山東省
【文章頁(yè)數(shù)】：83 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
故障診斷模型的構(gòu)建
青島大學(xué)碩士學(xué)位論文30的過(guò)擬合，訓(xùn)練集準(zhǔn)確度達(dá)到100%，但預(yù)測(cè)集準(zhǔn)確度卻不足50%，即模型泛化能力低。為了解決圖像過(guò)擬合問(wèn)題，嘗試對(duì)原網(wǎng)絡(luò)結(jié)構(gòu)加以調(diào)整。針對(duì)圖像過(guò)擬合以及數(shù)據(jù)集個(gè)數(shù)較少的問(wèn)題，Dropout是考慮的第一個(gè)解決方法。Dropout是Hinton于2012年提出的方法[86]，主要是針對(duì)模型參數(shù)多，但是樣本過(guò)少產(chǎn)生的過(guò)擬合現(xiàn)象。其主要原理是通過(guò)減少特征選擇器的重復(fù)作用來(lái)提高網(wǎng)絡(luò)性能。文獻(xiàn)[87,89]中都通過(guò)在全連接層使用Dropout方法來(lái)減少過(guò)擬合現(xiàn)象。所以嘗試在卷積層和全連接層加入Dropout層，經(jīng)過(guò)多次實(shí)驗(yàn)，最后一層pooling層后以及全連接層中加入Dropout層，得到了較好的訓(xùn)練效果(迭代50次，訓(xùn)練準(zhǔn)確率為93%，測(cè)試準(zhǔn)確率為90%)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。圖3.6增加了Dropout層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在pooling層后及全連接層中加入了Dropout層的方法使得網(wǎng)絡(luò)的準(zhǔn)確率得到了提升，但是其訓(xùn)練過(guò)程較慢且不穩(wěn)定（前27次迭代訓(xùn)練準(zhǔn)確率浮動(dòng)較大，訓(xùn)練準(zhǔn)確率38%左右）。遂考慮對(duì)數(shù)據(jù)進(jìn)行歸一化來(lái)解決不同范圍數(shù)據(jù)的影響，加強(qiáng)穩(wěn)定性，同時(shí)提高訓(xùn)練速度。BN層即BatchNormalization，由Sergey等人于2015年提出[87]，其優(yōu)點(diǎn)在于減少了調(diào)參的難度，可以使用較大學(xué)習(xí)率使得訓(xùn)練速度加快，同時(shí)使得訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分布一致。所以本文將其加入到卷積神經(jīng)網(wǎng)絡(luò)中以提高模型的泛化能力，模型測(cè)試十次中，最高測(cè)試準(zhǔn)確率達(dá)到100%。圖3.7增加了Dropout層與BN層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過(guò)對(duì)模型結(jié)構(gòu)的改進(jìn)和參數(shù)調(diào)整，得到適合用于當(dāng)前數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖3.7所示，本文最終改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)包括：兩個(gè)加入了BN層(Batch
青島大學(xué)碩士學(xué)位論文30的過(guò)擬合，訓(xùn)練集準(zhǔn)確度達(dá)到100%，但預(yù)測(cè)集準(zhǔn)確度卻不足50%，即模型泛化能力低。為了解決圖像過(guò)擬合問(wèn)題，嘗試對(duì)原網(wǎng)絡(luò)結(jié)構(gòu)加以調(diào)整。針對(duì)圖像過(guò)擬合以及數(shù)據(jù)集個(gè)數(shù)較少的問(wèn)題，Dropout是考慮的第一個(gè)解決方法。Dropout是Hinton于2012年提出的方法[86]，主要是針對(duì)模型參數(shù)多，但是樣本過(guò)少產(chǎn)生的過(guò)擬合現(xiàn)象。其主要原理是通過(guò)減少特征選擇器的重復(fù)作用來(lái)提高網(wǎng)絡(luò)性能。文獻(xiàn)[87,89]中都通過(guò)在全連接層使用Dropout方法來(lái)減少過(guò)擬合現(xiàn)象。所以嘗試在卷積層和全連接層加入Dropout層，經(jīng)過(guò)多次實(shí)驗(yàn)，最后一層pooling層后以及全連接層中加入Dropout層，得到了較好的訓(xùn)練效果(迭代50次，訓(xùn)練準(zhǔn)確率為93%，測(cè)試準(zhǔn)確率為90%)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。圖3.6增加了Dropout層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在pooling層后及全連接層中加入了Dropout層的方法使得網(wǎng)絡(luò)的準(zhǔn)確率得到了提升，但是其訓(xùn)練過(guò)程較慢且不穩(wěn)定（前27次迭代訓(xùn)練準(zhǔn)確率浮動(dòng)較大，訓(xùn)練準(zhǔn)確率38%左右）。遂考慮對(duì)數(shù)據(jù)進(jìn)行歸一化來(lái)解決不同范圍數(shù)據(jù)的影響，加強(qiáng)穩(wěn)定性，同時(shí)提高訓(xùn)練速度。BN層即BatchNormalization，由Sergey等人于2015年提出[87]，其優(yōu)點(diǎn)在于減少了調(diào)參的難度，可以使用較大學(xué)習(xí)率使得訓(xùn)練速度加快，同時(shí)使得訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分布一致。所以本文將其加入到卷積神經(jīng)網(wǎng)絡(luò)中以提高模型的泛化能力，模型測(cè)試十次中，最高測(cè)試準(zhǔn)確率達(dá)到100%。圖3.7增加了Dropout層與BN層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過(guò)對(duì)模型結(jié)構(gòu)的改進(jìn)和參數(shù)調(diào)整，得到適合用于當(dāng)前數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。如圖3.7所示，本文最終改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)包括：兩個(gè)加入了BN層(Batch
【參考文獻(xiàn)】：
期刊論文
[1]船舶柴油機(jī)故障預(yù)測(cè)與健康管理技術(shù)綜述[J]. 柯赟,宋恩哲,姚崇,董全. 哈爾濱工程大學(xué)學(xué)報(bào). 2020(01)
[2]基于改進(jìn)關(guān)聯(lián)規(guī)則的卸船機(jī)故障預(yù)測(cè)模型[J]. 葉永偉,程毅飛,賴劍人,任設(shè)東. 中國(guó)機(jī)械工程. 2019(20)
[3]深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷中的應(yīng)用研究綜述[J]. 吳春志,馮輔周,吳守軍,陳湯,王杰. 噪聲與振動(dòng)控制. 2019(05)
[4]基于CNN-SVM的深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障識(shí)別研究[J]. 胡曉依,荊云建,宋志坤,侯銀慶. 振動(dòng)與沖擊. 2019(18)
[5]XJTU-SY滾動(dòng)軸承加速壽命試驗(yàn)數(shù)據(jù)集解讀[J]. 雷亞國(guó),韓天宇,王彪,李乃鵬,閆濤,楊軍. 機(jī)械工程學(xué)報(bào). 2019(16)
[6]基于連續(xù)型HMM和PSO-SVM的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J]. 劉波,寧芊,劉才學(xué),艾瓊,何攀. 計(jì)算機(jī)應(yīng)用. 2019(S1)
[7]數(shù)字孿生驅(qū)動(dòng)的工業(yè)園區(qū)“產(chǎn)—運(yùn)—存”聯(lián)動(dòng)決策架構(gòu)、模型與方法[J]. 周達(dá)堅(jiān),屈挺,張凱,郭洪飛,閆勉,李從東,黃國(guó)全. 計(jì)算機(jī)集成制造系統(tǒng). 2019(06)
[8]智能制造與全球價(jià)值鏈升級(jí)——海爾COSMOPlat案例研究[J]. 呂文晶,陳勁,劉進(jìn). 科研管理. 2019(04)
[9]基于螢火蟲優(yōu)化的核自動(dòng)編碼器在中介軸承故障診斷中的應(yīng)用[J]. 王奉濤,劉曉飛,敦泊森,鄧剛,韓清凱,李宏坤. 機(jī)械工程學(xué)報(bào). 2019(07)
[10]基于耦合隱馬爾可夫的軸承故障診斷方法[J]. 夏裕彬,梁大開(kāi),鄭國(guó),王景霖,曾捷. 振動(dòng).測(cè)試與診斷. 2018(06)
碩士論文
[1]基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)研究與應(yīng)用[D]. 穆童杰.西安郵電大學(xué) 2019
[2]面向過(guò)程的實(shí)時(shí)狀態(tài)監(jiān)測(cè)與故障診斷方法研究[D]. 姜婕.北京交通大學(xué) 2019
[3]基于神經(jīng)網(wǎng)絡(luò)的車輛軌跡預(yù)測(cè)算法的研究與實(shí)現(xiàn)[D]. 朱自升.西安電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)的圖像語(yǔ)義分割研究[D]. 肖旭.南昌航空大學(xué) 2017
[5]基于動(dòng)態(tài)狀態(tài)空間模型的滾動(dòng)軸承壽命預(yù)測(cè)研究[D]. 彭琦.北京化工大學(xué) 2016
[6]基于HMM的軸承故障診斷方法[D]. 李全.昆明理工大學(xué) 2010
本文編號(hào)：3242819
本文鏈接：http://www.sikaile.net/kejilunwen/zidonghuakongzhilunwen/3242819.html
最近更新
教材專著
