隨著國(guó)家工業(yè)化的不斷推進(jìn),工廠中的機(jī)械設(shè)備自動(dòng)化程度越來(lái)越高,對(duì)機(jī)械設(shè)備故障診斷技術(shù)的研究也愈發(fā)重要。滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛且最易受損的零件之一,其振動(dòng)信號(hào)的復(fù)雜性和非平穩(wěn)性推動(dòng)著滾動(dòng)軸承故障診斷技術(shù)逐漸趨于智能化。本文主要研究了滾動(dòng)軸承故障診斷技術(shù)中故障特征提取和故障模式識(shí)別兩方面內(nèi)容:在故障特征提取方面,文中首先研究了小波分析法的理論知識(shí),采用小波分析法對(duì)軸承故障診斷試驗(yàn)臺(tái)上提取的振動(dòng)信號(hào)進(jìn)行降噪處理,然后再對(duì)降噪后的信號(hào)通過(guò)小波包變換來(lái)進(jìn)行能量特征提取,最后將提取到的能量特征作為后續(xù)模式識(shí)別中的故障特征向量。在故障模式識(shí)別方面,本文對(duì)機(jī)器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)及堆棧稀疏自編碼(SSAE)網(wǎng)絡(luò)進(jìn)行了詳細(xì)的論述。首先研究了BP神經(jīng)網(wǎng)絡(luò)的工作原理,并根據(jù)故障數(shù)據(jù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)進(jìn)行確定,隨機(jī)選取故障樣本集中的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試,取得了良好的效果。其次,研究了SVM的分類性能,探究不同核函數(shù)和不同核參數(shù)對(duì)分類效果的影響,將其應(yīng)用到軸承的故障診斷中取得了較好的效果。鑒于上述兩種方法均為有監(jiān)督式的學(xué)習(xí)方法,需要同時(shí)對(duì)輸入數(shù)據(jù)和故障類型作標(biāo)簽來(lái)實(shí)現(xiàn)分類,...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究目的及意義
    1.2 滾動(dòng)軸承故障診斷技術(shù)研究現(xiàn)狀
        1.2.1 滾動(dòng)軸承故障診斷技術(shù)發(fā)展歷程
        1.2.2 滾動(dòng)軸承故障特征提取研究現(xiàn)狀
        1.2.3 滾動(dòng)軸承故障模式識(shí)別研究現(xiàn)狀
    1.3 論文的主要內(nèi)容
第2章 基于小波分析的滾動(dòng)軸承故障特征提取方法研究
    2.1 小波理論
        2.1.1 小波分析
        2.1.2 多分辨率分析
        2.1.3 小波包分析
        2.1.4 小波分析的信號(hào)重構(gòu)
    2.2 小波降噪方法
    2.3 小波包能量特征提取方法
    2.4 小波分析降噪及特征提取實(shí)例
        2.4.1 振動(dòng)信號(hào)的采集
        2.4.2 降噪及特征提取仿真
    2.5 本章小結(jié)
第3章 基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法研究
    3.1 人工神經(jīng)網(wǎng)絡(luò)理論
        3.1.1 神經(jīng)網(wǎng)絡(luò)的分類
        3.1.2 神經(jīng)網(wǎng)絡(luò)的基本性質(zhì)及優(yōu)點(diǎn)
        3.1.3 人工神經(jīng)元模型
        3.1.4 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
    3.2 BP神經(jīng)網(wǎng)絡(luò)理論
    3.3 小波-BP模型在軸承故障診斷中的應(yīng)用
        3.3.1 故障診斷樣本選取
        3.3.2 故障診斷模型建立及試驗(yàn)分析
    3.4 本章小結(jié)
第4章 基于支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究
    4.1 統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)
        4.1.1 學(xué)習(xí)過(guò)程的一致性條件
        4.1.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納原理
    4.2 支持向量機(jī)理論
        4.2.1 最大間隔分類超平面
        4.2.2 支持向量機(jī)算法原理
        4.2.3 核函數(shù)
        4.2.4 支持向量機(jī)多分類問(wèn)題
    4.3 小波-SVM模型在軸承故障診斷中的應(yīng)用
    4.4 本章小結(jié)
第5章 基于堆棧稀疏自編碼的滾動(dòng)軸承故障診斷方法研究
    5.1 深度學(xué)習(xí)理論
    5.2 堆疊稀疏自編碼網(wǎng)絡(luò)理論
        5.2.1 自編碼網(wǎng)絡(luò)
        5.2.2 稀疏自編碼網(wǎng)絡(luò)
        5.2.3 堆棧稀疏自編碼網(wǎng)絡(luò)
    5.3 小波-SSAE模型在軸承故障診斷中的應(yīng)用
    5.4 本章小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介
攻讀碩士學(xué)位期間研究成果



本文編號(hào)：3842427