检索结果-内蒙古大学图书馆

作者：余伍林西南交通大学

学位级别：硕士

滚动轴承作为旋转机械的核心部件之一,一旦发生故障,轻则造成设备无法正常运转,重则导致严重的安全事故。因此分析滚动轴承的振动信号,预判滚动轴承故障具有十分重要的现实意义。随着以深度学习为基础的人工智能技术的快速发展,深度学... 详细信息

滚动轴承作为旋转机械的核心部件之一,一旦发生故障,轻则造成设备无法正常运转,重则导致严重的安全事故。因此分析滚动轴承的振动信号,预判滚动轴承故障具有十分重要的现实意义。随着以深度学习为基础的人工智能技术的快速发展,深度学习在工程领域的应用研究已成为热点。本文以滚动轴承为研究对象,在一维时域振动信号的基础上,针对实际生产环境下数据样本较少、故障信号有噪声且微弱的问题,研究了在不同环境下的深度神经网络。首先,研究了针对一维时域振动信号的深度学习分析方法,分别建立了卷积神经网络(CNN)模型和长短期记忆网络(LSTM)模型,模型在测试集上的准确率均值可分别达到99.8%和98.1%。针对多工况条件下轴承状态的分类,结合卷积神经网络准确率高和长短期记忆网络稳定性好的优点。提出了卷积循环神经网络(CNN＿LSTM)的一种模型,测试集上准确率可达到98.6%。其次,针对实际生产环境中数据样本较少的问题,提出利用迁移学习的方法,分析轴承振动信号,实现故障诊断。首先将一维原始振动信号转化为二维矩阵(GAF)和时频图像(STFT),然后利用fine-tuning技术对Inception v3模型进行微调。利用GAF和Inception v3模型,测试集上的准确率为95.4%,结合STFT和Inception v3模型,测试集上的准确率则为97.6%。最后,针对滚动轴承在复杂环境中,容易受到各种噪声干扰的问题,本文采用小波阈值降噪(DWT)的方法对振动信号进行降噪。为了从噪声干扰中识别微弱的轴承故障信号,本文结合卷积神经网络特征提取能力强,以及孪生网络(Siamese)能够放大两个相似样本之间微弱差距的特点,提出了孪生卷积网络(Siamese CNN)的一种模型。通过将孪生卷积网络模型与其他网络模型进行对比,实验证明孪生卷积网络模型对于相似度很大的样本具有很好的分类效果。在训练集、验证集、测试集上的准确率分别为99.88%、99.5%和99.3%。

关键词：轴承振动信号分析故障诊断卷积神经网络长短期记忆网络 Inception V3模型迁移学习孪生卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于频谱包络分割EWT的轴承故障特征提取方法

引用

机电工程 2022年第11期39卷 1567-1574页

作者：龙雄辉胡蓉苏丹广州铁路职业技术学院广东广州510430 福建工程学院福建省大数据挖掘与应用重点实验室福建福州350108

为了提高轴承在强干扰背景下的故障诊断精度,提出了一种基于频谱包络分割EWT算法的轴承故障特征提取方法。首先,针对传统EWT算法频段冗余分割导致的模态相似、信号失真等问题,基于三次B样条包络线极点进行了频段分割,有效提取了信号在... 详细信息

为了提高轴承在强干扰背景下的故障诊断精度,提出了一种基于频谱包络分割EWT算法的轴承故障特征提取方法。首先,针对传统EWT算法频段冗余分割导致的模态相似、信号失真等问题,基于三次B样条包络线极点进行了频段分割,有效提取了信号在不同频段的模态分量;然后,使用裕度因子分析了模态分量的敏感度,并分离出了高敏感模态分量,计算了高敏感模态分量的排列熵,组成了特征向量;最后,使用聚类法对频谱包络EWT特征、传统EWT特征、小波信息熵特征进行了分析,其中频谱包络EWT特征不存在类间交叉现象,且类内聚集度较高;将上述3种故障特征输入到支持向量机中进行了模式识别实验。研究结果表明:小波信息熵特征的诊断准确率为93.75%,经典EWT特征的诊断准确率为87.50%,频谱包络EWT特征的诊断准确率为98.75%;这表明频谱包络EWT特征的质量最好,能够在强干扰背景下有效提高轴承的诊断准确率。

关键词：轴承振动信号分析故障特征冲击分量特征向量提取经验小波变换裕度因子敏感模态选择排列熵

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：