旋轉(zhuǎn)機(jī)械在航天航海,交通運(yùn)輸,制造業(yè)等領(lǐng)域起著重要作用,滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中重要的、廣泛應(yīng)用的部件之一。軸承的運(yùn)行狀態(tài)往往決定了旋轉(zhuǎn)機(jī)械工作的穩(wěn)定性,異物進(jìn)入、裝配不適、潤(rùn)滑不足、過(guò)載等問(wèn)題都會(huì)導(dǎo)致軸承提前失效,可能對(duì)旋轉(zhuǎn)機(jī)械造成嚴(yán)重影響。針對(duì)滾動(dòng)軸承進(jìn)行監(jiān)測(cè)故障診斷可以保障旋轉(zhuǎn)機(jī)械運(yùn)轉(zhuǎn)狀態(tài)良好,避免發(fā)生嚴(yán)重事故。因此,滾動(dòng)軸承故障診斷已成為國(guó)內(nèi)外的研討熱點(diǎn)問(wèn)題,對(duì)現(xiàn)代工業(yè)的發(fā)展具備重要意義。傳統(tǒng)的故障診斷方法主要為信號(hào)分析方法,但隨著旋轉(zhuǎn)機(jī)械的發(fā)展,信號(hào)組成成分逐漸復(fù)雜,依賴于人工提取特征的方法已不再適用。基于智能算法方法的故障診斷技術(shù)得益于大數(shù)據(jù)技術(shù)的發(fā)展,在許多方面已超越了信號(hào)分析方法,節(jié)約了許多資源,在識(shí)別率和穩(wěn)定性方面均優(yōu)于信號(hào)分析方法。因此,本文提出一種基于小波時(shí)頻分析和可變形卷積神經(jīng)網(wǎng)絡(luò)的智能算法方法,運(yùn)用到滾動(dòng)軸承故障診斷中,平均準(zhǔn)確率達(dá)到99.9%,獲得了較好的成績(jī)。首先,文章闡述了滾動(dòng)軸承失效原因和故障類別,對(duì)于滾動(dòng)軸承運(yùn)轉(zhuǎn)過(guò)程中引起的諧波分量進(jìn)行了說(shuō)明,分析了諧波分量對(duì)沖擊分量的影響。根據(jù)諧波分量和沖擊分量在頻率上的區(qū)別,使用基于傅里葉字典的OMP算法去除掉諧波分...

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 滾動(dòng)軸承故障診斷研究現(xiàn)狀
    1.3 時(shí)頻分析研究現(xiàn)狀
    1.4 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.5 論文組織結(jié)構(gòu)
    1.6 本章小結(jié)
第2章 滾動(dòng)軸承振動(dòng)產(chǎn)生的諧波分析和諧波去除
    2.1 滾動(dòng)軸承基本結(jié)構(gòu)和常見(jiàn)故障
    2.2 滾動(dòng)軸承轉(zhuǎn)動(dòng)產(chǎn)生的諧波分析
        2.2.1 諧波產(chǎn)生原因
        2.2.2 諧波對(duì)沖擊信號(hào)的影響
    2.3 諧波去除方法及實(shí)驗(yàn)
        2.3.1 諧波去除方法
        2.3.2 實(shí)驗(yàn)與結(jié)果分析
    2.4 本章小結(jié)
第3章 滾動(dòng)軸承故障信號(hào)的時(shí)頻分析
    3.1 基于短時(shí)傅里葉的時(shí)頻分析
        3.1.1 短時(shí)傅里葉變換的基礎(chǔ)理論
        3.1.2 參數(shù)選擇原則
    3.2 基于小波變換的時(shí)頻分析
        3.2.1 小波變換的基礎(chǔ)理論
        3.2.2 母小波函數(shù)理論與實(shí)驗(yàn)選取
    3.3 諧波去除對(duì)時(shí)頻分析結(jié)果的影響
    3.4 本章小結(jié)
第4章 卷積神經(jīng)網(wǎng)絡(luò)及改進(jìn)方法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.1 卷積層
        4.1.2 池化層
        4.1.3 全連接層
    4.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
        4.2.1 反向傳播算法
        4.2.2 網(wǎng)絡(luò)優(yōu)化方法
            4.2.2.1 Dropout隨機(jī)失活技術(shù)
            4.2.2.2 Adam參數(shù)優(yōu)化算法
    4.3 可變形卷積神經(jīng)網(wǎng)絡(luò)
    4.4 本章小結(jié)
第5章 滾動(dòng)軸承故障診斷實(shí)驗(yàn)與結(jié)果分析
    5.1 滾動(dòng)軸承故障診斷實(shí)驗(yàn)流程
    5.2 數(shù)據(jù)集介紹、處理與分割
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 時(shí)頻圖像數(shù)據(jù)集處理與分割
        5.2.3 時(shí)域特征數(shù)據(jù)集處理與分割
    5.3 卷積神經(jīng)網(wǎng)絡(luò)模型搭建
        5.3.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型搭建
        5.3.2 可變形卷積神經(jīng)網(wǎng)絡(luò)模型搭建
    5.4 基于智能算法方法實(shí)驗(yàn)結(jié)果
    5.5 基于信號(hào)分析方法實(shí)驗(yàn)
        5.5.1 三種實(shí)驗(yàn)?zāi)Ｐ突A(chǔ)理論及搭建
            5.5.1.1 隨機(jī)森林
            5.5.1.2 SVM支持向量機(jī)
            5.5.1.3 BP神經(jīng)網(wǎng)絡(luò)
        5.5.2 信號(hào)分析方法實(shí)驗(yàn)結(jié)果
    5.6 實(shí)驗(yàn)結(jié)果分析
    5.7 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 今后工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3782715