旋轉(zhuǎn)機械是現(xiàn)代工業(yè)中的核心設(shè)備,由于其結(jié)構(gòu)復(fù)雜及運行工況多變,往往導(dǎo)致對其關(guān)鍵部件的故障監(jiān)測診斷十分困難。近年來基于深度學(xué)習(xí)算法的智能診斷技術(shù)發(fā)展迅速,并在旋轉(zhuǎn)機械故障領(lǐng)域得到了發(fā)展。基于壓縮感知和深度學(xué)習(xí)理論提出了兩種故障特征提取與診斷新方法,并通過齒輪和滾動軸承故障診斷實例驗證了算法的有效性。首先,針對振動信號采樣率高導(dǎo)致信號分析耗時嚴(yán)重的問題,研究了傳統(tǒng)壓縮感知在旋轉(zhuǎn)機械振動信號分析領(lǐng)域的應(yīng)用現(xiàn)狀與前景,并將其理論知識與旋轉(zhuǎn)機械故障信號分析相結(jié)合,將稀疏表示部分算法應(yīng)用在故障信號特征提取中對原始振動信號進行特征降維,大大降低了信號提取以及故障分類時的復(fù)雜度,為工業(yè)應(yīng)用時實現(xiàn)實時性提供了理論基礎(chǔ)。其次,針對深度信念網(wǎng)絡(luò)模型訓(xùn)練時參數(shù)眾多、在應(yīng)用于旋轉(zhuǎn)機械故障特征提取與診斷時調(diào)參困難的問題,提出了基于損失閾值的迭代誤差方法來防止訓(xùn)練過擬合從而優(yōu)化模型訓(xùn)練過程。在保證較高準(zhǔn)確率的前提下,實現(xiàn)了迭代次數(shù)的自適應(yīng)設(shè)置,降低深度信念網(wǎng)絡(luò)參數(shù)設(shè)置與調(diào)節(jié)的難度,當(dāng)將其應(yīng)用于旋轉(zhuǎn)機械狀態(tài)監(jiān)測時,也提高了故障識別的準(zhǔn)確率與效率。然后,針對因工況與結(jié)構(gòu)復(fù)雜引起的齒輪故障振動信號難以利用傳統(tǒng)特征提取與診... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

傳統(tǒng)方法和壓縮感知信號處理過程對比

燕山大學(xué)工程碩士學(xué)位論文-30-Step3：建模和分類：從Step2獲得的TR和TE將作為輸入，調(diào)整模型參數(shù)，依據(jù)基于損失閾值的迭代優(yōu)化算法對DBN神經(jīng)網(wǎng)絡(luò)進行改進，將預(yù)訓(xùn)練階段的迭代次數(shù)實現(xiàn)自適應(yīng)，然后根據(jù)訓(xùn)練樣本矩陣TR和參數(shù)輸入改進后的DBN神經(jīng)網(wǎng)絡(luò)進行建模。利用DBN對訓(xùn)練樣本TR進行預(yù)訓(xùn)練，實現(xiàn)DBN建模，而后將TE進行測試和分類，得到故障識別和分類結(jié)果。因此使用基于損失閾值的迭代優(yōu)化方法時實現(xiàn)了迭代次數(shù)的自適應(yīng)設(shè)置，在保證診斷精度的前提下，高效地完成了齒輪故障診斷任務(wù)。4.5實驗算例數(shù)據(jù)分析本文依托QPZZ-II旋轉(zhuǎn)機械振動分析故障診斷試驗平臺系統(tǒng)和多級齒輪傳動系統(tǒng)試驗平臺設(shè)計了齒輪故障模擬實驗，以進行本文改良算法的有效性驗證。實驗裝置如圖4-4和圖4-5所示。圖4-4是QPZZ-II旋轉(zhuǎn)機械故障診斷試驗平臺，該平臺針對大齒輪、小齒輪工作屬性，設(shè)置不同的缺陷類型，分別為大齒輪故障(點蝕或斷齒)與小齒輪故障(磨損)，并對缺陷進行不同排列組合得到5種故障場景的還原。依托圖4-5展示的多級齒輪傳動系統(tǒng)實驗平臺，可以模擬多種齒輪單一故障，如齒輪缺齒、齒輪削齒、齒根裂紋等。本文通過這兩個平臺采集的振動數(shù)據(jù)，使用本文所提方法對其進行診斷分類。圖4-4QPZZ-II試驗平臺小齒輪大齒輪

基于壓縮采集

【參考文獻】：
期刊論文
[1]基于迭代經(jīng)驗小波變換的齒輪故障診斷方法[J]. 辛玉,李舜酩,王金瑞,易朋興,劉頡.  儀器儀表學(xué)報. 2018(11)
[2]一種基于樣本熵與EEMD的艦船輻射噪聲特征提取方法[J]. 李余興,李亞安,陳曉,蔚婧.  水下無人系統(tǒng)學(xué)報. 2018(01)
[3]基于FTA和SVM優(yōu)化算法的礦井提升機故障診斷方法研究[J]. 宮少琦,張偉,國明笛.  煤礦機械. 2017(04)
[4]基于支持向量機和窗函數(shù)的DEMD端點效應(yīng)抑制方法[J]. 孟宗,季艷,谷偉明,王娜.  計量學(xué)報. 2016 (02)
[5]基于自適應(yīng)多尺度時頻熵的遙測振動信號異常檢測方法[J]. 劉學(xué),梁紅,張志國.  計算機測量與控制. 2015(08)
[6]基于相干累積量分段正交匹配追蹤方法的軸承早期故障稀疏特征提取[J]. 嚴(yán)保康,周鳳星.  機械工程學(xué)報. 2014(13)
[7]基于遺傳算法的振蕩器諧振回路的參數(shù)選擇[J]. 嚴(yán)剛峰,黃顯核,譚航,譚峰.  計量學(xué)報. 2010 (02)
[8]基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的電阻抗圖像重建算法[J]. 南國芳,王化祥,王超.  計量學(xué)報. 2003(04)
[9]分形維數(shù)及其在滾動軸承故障診斷中的應(yīng)用[J]. 呂志民,徐金梧,翟緒圣.  機械工程學(xué)報. 1999(02)

碩士論文
[1]風(fēng)力發(fā)電和光伏發(fā)電并網(wǎng)問題研究[D]. 陳赟.上海交通大學(xué) 2009



本文編號：2970022