發(fā)布時間：2022-12-22 19:20

　　在現(xiàn)代工業(yè)生產(chǎn)中機械設(shè)備的智能化程度不斷提高,這些設(shè)備在大幅提高生產(chǎn)效率的同時也帶來了維護上的困難�，F(xiàn)實中即使是一個不明顯的小故障也可能會因為時間的累積導(dǎo)致嚴重事故進而導(dǎo)致經(jīng)濟損失甚至是人員傷亡,因此我們希望能夠?qū)υO(shè)備及時的檢修防止事故的發(fā)生。然而如果僅僅使用人力檢修必然需要停機然后耗費大量的時間才能完成,而這期間也會造成大量的經(jīng)濟損失。為了實現(xiàn)對機械設(shè)備快速有效的檢測和維護,機械的智能故障診斷技術(shù)越來越受到研究者的重視,且其已經(jīng)成為現(xiàn)代工業(yè)4.0的一個重要研究課題。機械的智能故障診斷技術(shù)在提高故障診斷的速度和精度的同時也降低了設(shè)備的維護成本。借助于機器學習技術(shù)特別是深度學習技術(shù)故障診斷算法變得越來越有效和智能,其在準確率和穩(wěn)定性上都大幅提高。然而目前的故障診斷算法依然有很多可以優(yōu)化的地方。比如:目前大多數(shù)故障診斷算法依賴于使用專家經(jīng)驗完成特征提取的任務(wù)、故障診斷模型的訓練速度和診斷效果很難兼顧、大部分研究都沒有考慮當診斷出現(xiàn)錯誤所產(chǎn)生的不同代價進而對算法的評價過于樂觀等等。針對上述存在的一些問題本文分別嘗試使用卷積神經(jīng)網(wǎng)絡(luò)處理原始振動信號、代價敏感學習等方案來解決。卷積神經(jīng)網(wǎng)絡(luò)（CN... 

【文章頁數(shù)】：80 頁

【學位級別】：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 基于深度學習的故障診斷的研究現(xiàn)狀
    1.3 面向數(shù)據(jù)不平衡問題的研究現(xiàn)狀
    1.4 本文的工作和組織結(jié)構(gòu)
第2章 卷積網(wǎng)絡(luò)與實驗基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)簡介
        2.1.1 卷積層
        2.1.2 激活函數(shù)層
        2.1.3 池化層
        2.1.4 全連接層與softmax回歸
    2.2 網(wǎng)絡(luò)參數(shù)的初始化
    2.3 網(wǎng)絡(luò)的訓練與Adam優(yōu)化算法
    2.4 典型的CNN結(jié)構(gòu)VGG簡介
    2.5 常見的故障診斷數(shù)據(jù)集簡介
    2.6 本章小結(jié)
第3章 基于二維卷積網(wǎng)絡(luò)的故障診斷研究
    3.1 基于信號處理二維化的方法
        3.1.1 短時傅里葉變換
        3.1.2 連續(xù)小波變換
    3.2 表征學習的原理
    3.3 一維原始數(shù)據(jù)二維化的方法
        3.3.1 振動信號二維灰度化
        3.3.2 錯位時間序列
    3.4 實驗驗證與效果比對
        3.4.1 數(shù)據(jù)預(yù)處理
        3.4.2 卷積網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.3 實驗效果比對
    3.5 本章小結(jié)
第4章 代價敏感學習算法
    4.1 類間代價敏感
    4.2 樣例代價敏感
    4.3 基于類間代價的改進代價敏感算法
        4.3.1 代價矩陣值的學習
        4.3.2 代價敏感矩陣與網(wǎng)絡(luò)參數(shù)的協(xié)同訓練
    4.4 本章小結(jié)
第5章 實驗與分析
    5.1 輸入數(shù)據(jù)的預(yù)處理
    5.2 實驗中的評價指標
    5.3 實驗結(jié)果比對
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻
致謝
攻讀碩士學位期間取得的成果
學位論文評閱及答辯情況表


【參考文獻】：
期刊論文
[1]滾動軸承故障診斷中數(shù)據(jù)不均衡問題的研究[J]. 劉天羽,李國正.  計算機工程與科學. 2010(05)

博士論文
[1]基于深度自編碼器的機械故障診斷方法研究[D]. 張玉彥.華中科技大學 2019

碩士論文
[1]基于大數(shù)據(jù)分析的故障診斷方法研究[D]. 黃騰達.北京工業(yè)大學 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的機械故障診斷域自適應(yīng)算法研究[D]. 朱智宇.哈爾濱工業(yè)大學 2019
[3]基于時頻分析和CNN的滾動軸承故障診斷方法研究[D]. 唐蕞.哈爾濱工業(yè)大學 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)與多源信息融合的故障診斷方法研究[D]. 王琪.電子科技大學 2019
[5]結(jié)合時頻分析和卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷優(yōu)化方法研究[D]. 黃馳城.浙江大學 2019
[6]基于深度學習的化工故障診斷方法研究[D]. 胡志新.杭州電子科技大學 2018



本文編號：3723889