隨著生產發(fā)展和科學技術的現(xiàn)代化,使得現(xiàn)代機械設備的結構愈加復雜,各種各樣的功能也愈發(fā)全面,機械設備自動化的程度也在不斷的提高,給經濟發(fā)展提供了重要貢獻。而軸系設備是其中重要的組成結構。由于許多因素的影響,軸系設備具有其使用壽命,且容易發(fā)生故障,可能導致降低其預期功效,停止運轉等,甚至造成更嚴重的災難性事故。及時發(fā)現(xiàn)故障,識別故障類型,不僅有助于延長其使用壽命,也能夠有效的避免危險事故的發(fā)生。因此,軸系設備故障診斷方法的研究是十分重要的。近年來,隨著機器學習算法的飛速發(fā)展,因其自動化程度高,速度快等優(yōu)勢,被廣泛的應用于各類設備的故障診斷中。因此,本文針對基于機器學習的軸系設備故障診斷方法展開研究,主要包括三大步驟:數(shù)據(jù)采集,數(shù)據(jù)預處理,分類器訓練與分類。即,采用傳感器對設備狀態(tài)進行監(jiān)測,對采集到的數(shù)據(jù)進行預處理以提取特征信息,基于特征信息設計模態(tài)分類器,對設備當前運行模態(tài)進行診斷。仿真數(shù)據(jù)由ZHS-2型柔性轉子試驗臺得到。創(chuàng)新性工作主要體現(xiàn)在數(shù)據(jù)預處理階段和分類器訓練階段。主要包括如下工作:1.為得到機器學習訓練和測試樣本,則需要對原始時域數(shù)據(jù)進行分割。對于軸系設備而言,以單個旋轉周期為... 

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 基于解析模型的方法
        1.2.2 基于知識的故障診斷方法
        1.2.3 基于數(shù)據(jù)驅動的故障診斷方法
    1.3 本文的研究內容
    1.4 數(shù)據(jù)介紹
    1.5 論文的各章節(jié)安排
2 基礎理論
    2.1 快速傅里葉變換
    2.2 BP神經網絡
        2.2.1 BP神經網絡的基本結構
        2.2.2 BP神經網絡的原理
    2.3 序貫核極限學習機理論
        2.3.1 核極限學習機理論
        2.3.2 序貫核極限學習機
    2.4 循環(huán)雙譜
        2.4.1 高階矩與高階累積量的定義和性質
        2.4.2 雙譜的定義與性質
    2.5 本章小結
3 基于非固有采樣周期的數(shù)據(jù)預處理方法
    3.1 引言
    3.2 分割方法與時頻轉換
    3.3 折段加權融合方式
    3.4 折段合并融合方式
    3.5 直接融合方式
    3.6 基于BP神經網絡的故障分類方法
        3.6.1 本文所采用的BP神經網絡結構
        3.6.2 仿真
    3.7 本章小結
4 基于多序貫核極限學習機網絡的故障診斷方法
    4.1 引言
    4.2 基于卡爾曼濾波的序貫核極限學習機
    4.3 多KF-S-KELM網絡
    4.4 仿真
    4.5 本章小結
5 基于循環(huán)雙譜切片分析的故障診斷方法
    5.1 引言
    5.2 循環(huán)雙譜估計與故障診斷
    5.3 仿真
    5.4 本章小結
結論
致謝
參考文獻
攻讀碩士學位期間發(fā)表的論文及科研成果



本文編號：3672359