發(fā)布時間：2021-04-10 16:22

　　礦井提升機是廣泛應(yīng)用于煤礦產(chǎn)業(yè)的關(guān)鍵設(shè)備,其穩(wěn)定性和安全性是煤礦生產(chǎn)和井下工作人員生命的重要保障。滾動軸承是提升機設(shè)備中的核心部件,其運行狀態(tài)直接影響到提升機的效率及安全。如何對軸承部件的故障進行高效精準的診斷,進而實現(xiàn)對設(shè)備的智能維護,是當前大型煤礦生產(chǎn)中亟待解決的問題。首先,針對傳統(tǒng)診斷方法中人工提取特征的不穩(wěn)定性,以及數(shù)據(jù)稀缺的情況,本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的雙層次故障診斷算法,對無噪聲的軸承振動數(shù)據(jù)進行精準的故障檢測。算法通過滑動窗口重疊采樣技術(shù)擴充數(shù)據(jù)集,使用自編碼技術(shù)提取數(shù)據(jù)中的特征。將所提取的特征作為雙層次神經(jīng)網(wǎng)絡(luò)的輸入,采用反向傳播算法訓練雙層次故障診斷分類器。最后通過集成學習投票決定故障的具體分類。本文利用凱斯西儲大學的軸承公開數(shù)據(jù)集,模擬理想狀態(tài)無噪聲環(huán)境下的軸承故障診斷,從而驗證所提算法的有效性,并將所提算法與經(jīng)典的支持向量機、反向傳播算法進行了對比實驗,實驗結(jié)果表明所提算法的故障診斷平均準確率約為99.95%,明顯高于對比算法。其次,針對工業(yè)數(shù)據(jù)實際噪聲較大以及機械運行負載變化的問題,本文提出了一種基于域適應(yīng)批標準化的雙層次神經(jīng)網(wǎng)絡(luò)故障診斷算法。所提算法將... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

Sigmoid激活函數(shù)及其梯度

碩士學位論文16方向或者負方向之中的一個進行更新，收斂速度較慢。(2)雙曲正切激活函數(shù)雙曲正切函數(shù)Tanh的公式如下()=+xxxxeeTanhxee(2-4)(a)Tanh函數(shù)(b)Tanh梯度函數(shù)圖2-3Tanh激活函數(shù)及其梯度Figure2-3Tanhactivationfunctionanditsgradient如圖2-3(a)所示，雙曲正切函數(shù)的取值范圍為[-1,1]，函數(shù)值中心對稱，解決了Sigmoid激活函數(shù)中輸出不以零為中心的問題。雖然其導數(shù)的值依然全為正值，但由于Tanh的函數(shù)值有正也有負，故可以在一定程度上加快模型的收斂。同時，由于其導數(shù)值在0到1之間，仍然會出現(xiàn)反向傳播中梯度為零導致梯度彌散的現(xiàn)象。此外，由于激活函數(shù)中有冪函數(shù)的存在，因此會導致更大的計算量，較為耗時。(3)ReLU激活函數(shù)ReLU激活函數(shù)公式如下：ReLU=max(x,0)(2-5)(a)ReLU函數(shù)(b)ReLU梯度函數(shù)圖2-4ReLU激活函數(shù)及其梯度Figure2-4ReLUactivationfunctionanditsgradientReLU在一定程度上解決了梯度彌散的問題。如圖2-4所示，當x>0時，其

碩士學位論文16方向或者負方向之中的一個進行更新，收斂速度較慢。(2)雙曲正切激活函數(shù)雙曲正切函數(shù)Tanh的公式如下()=+xxxxeeTanhxee(2-4)(a)Tanh函數(shù)(b)Tanh梯度函數(shù)圖2-3Tanh激活函數(shù)及其梯度Figure2-3Tanhactivationfunctionanditsgradient如圖2-3(a)所示，雙曲正切函數(shù)的取值范圍為[-1,1]，函數(shù)值中心對稱，解決了Sigmoid激活函數(shù)中輸出不以零為中心的問題。雖然其導數(shù)的值依然全為正值，但由于Tanh的函數(shù)值有正也有負，故可以在一定程度上加快模型的收斂。同時，由于其導數(shù)值在0到1之間，仍然會出現(xiàn)反向傳播中梯度為零導致梯度彌散的現(xiàn)象。此外，由于激活函數(shù)中有冪函數(shù)的存在，因此會導致更大的計算量，較為耗時。(3)ReLU激活函數(shù)ReLU激活函數(shù)公式如下：ReLU=max(x,0)(2-5)(a)ReLU函數(shù)(b)ReLU梯度函數(shù)圖2-4ReLU激活函數(shù)及其梯度Figure2-4ReLUactivationfunctionanditsgradientReLU在一定程度上解決了梯度彌散的問題。如圖2-4所示，當x>0時，其

【參考文獻】：
期刊論文
[1]基于動態(tài)建模與重構(gòu)的列車軸承故障檢測和定位[J]. 劉強,方彤,董一凝,秦泗釗.  自動化學報. 2019(12)
[2]MBCV-EWT和奇異值差分譜的滾動軸承信號降噪方法[J]. 王亞萍,崔巍,葛江華,許迪,李云飛.  振動.測試與診斷. 2019(04)
[3]基于深度神經(jīng)網(wǎng)絡(luò)的提升機軸承故障診斷研究[J]. 馬輝,車迪,牛強,夏士雄.  計算機工程與應(yīng)用. 2019(16)
[4]基于AFSA-SVM的滾動軸承故障診斷研究[J]. 姬盛飛,王麗君,吉南陽.  組合機床與自動化加工技術(shù). 2019(01)
[5]一種快速收斂的隨機并行梯度下降算法[J]. 胡棟挺,申文,馬文超,劉新宇,蘇宙平,朱華新,張秀梅,闕立志,朱卓偉,張逸新,陳國慶,胡立發(fā).  激光與光電子學進展. 2019(12)
[6]基于深度置信網(wǎng)絡(luò)和信息融合技術(shù)的軸承故障診斷[J]. 蔣黎明,李友榮,徐增丙,魯光濤.  武漢科技大學學報. 2019(01)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動軸承故障診斷[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,余騰偉,周君.  振動工程學報. 2018(05)
[8]基于頻域分析的滾動軸承故障預(yù)測[J]. 于洋,馮鄰江.  自動化技術(shù)與應(yīng)用. 2018(06)
[9]基于區(qū)間觀測器的動態(tài)系統(tǒng)故障診斷技術(shù)綜述[J]. 楊光紅,張志慧.  控制與決策. 2018(05)
[10]基于改進經(jīng)驗小波變換的時頻分析方法及其在滾動軸承故障診斷中的應(yīng)用[J]. 鄭近德,潘海洋,戚曉利,張興權(quán),劉慶運.  電子學報. 2018(02)

博士論文
[1]基于符號有向圖的熱力系統(tǒng)故障診斷方法研究[D]. 曹文亮.華北電力大學（河北） 2006

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷方法研究[D]. 吳迪.哈爾濱理工大學 2017
[2]基于故障樹的ATO故障診斷專家系統(tǒng)的研究[D]. 謝彬.蘭州交通大學 2013
[3]基于故障樹技術(shù)的鐵路信號設(shè)備故障診斷專家系統(tǒng)的實現(xiàn)方法研究[D]. 杜潔.北京交通大學 2009



本文編號：3129953