基于深度学习的滚动轴承PHM的应用研究
发布时间：2021-06-22 12:17
随着互联网+、人工智能+领域的研究深入,制造业也在积极向智能化生产、智能化维护转型。针对传统的维护策略存在着“维护不足”或者“维护过剩”的问题,故障预测与健康管理（PHM）成为当下研究的重点。作为各种工业设备的基础部件,滚动轴承一旦故障会直接影响设备运行,所以轴承的PHM研究具有重要的意义。深度学习作为近年来不断发展的机器学习方法,在图像识别、时间序列预测上都有不错的表现和优秀的模型。本文针对当前滚动轴承PHM研究中复杂工况下故障识别困难、预测不准确等痛点,结合能量谱分析与深度学习方法,提取故障指标进行相关模型的建立,深入研究了深度学习方法在轴承PHM中的应用,主要工作如下:1.针对变负载情况下轴承故障诊断不准确的问题,研究了基于Teager能量谱与卷积神经网络的故障诊断方法。一方面将Teager能量谱图引入到轴承的故障诊断中,能够有效的区分变负载情况下的轴承状态;另一方面结合卷积神经网络建立诊断模型,直接对Teager能量谱进行特征提取和分析,解决了人工特征提取不完善的问题又能够更好的对能量谱特征进行分析,实现深层次的特征提取。通过美国西储大学轴承故障数据集进行实验分析和验证,对网络...
【文章来源】：青岛大学山东省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
故障诊断模型的构建
青岛大学硕士学位论文30的过拟合，训练集准确度达到100%，但预测集准确度却不足50%，即模型泛化能力低。为了解决图像过拟合问题，尝试对原网络结构加以调整。针对图像过拟合以及数据集个数较少的问题，Dropout是考虑的第一个解决方法。Dropout是Hinton于2012年提出的方法[86]，主要是针对模型参数多，但是样本过少产生的过拟合现象。其主要原理是通过减少特征选择器的重复作用来提高网络性能。文献[87,89]中都通过在全连接层使用Dropout方法来减少过拟合现象。所以尝试在卷积层和全连接层加入Dropout层，经过多次实验，最后一层pooling层后以及全连接层中加入Dropout层，得到了较好的训练效果(迭代50次，训练准确率为93%，测试准确率为90%)，其网络结构如图3.6所示。图3.6增加了Dropout层的卷积神经网络结构在pooling层后及全连接层中加入了Dropout层的方法使得网络的准确率得到了提升，但是其训练过程较慢且不稳定（前27次迭代训练准确率浮动较大，训练准确率38%左右）。遂考虑对数据进行归一化来解决不同范围数据的影响，加强稳定性，同时提高训练速度。BN层即BatchNormalization，由Sergey等人于2015年提出[87]，其优点在于减少了调参的难度，可以使用较大学习率使得训练速度加快，同时使得训练数据和测试数据分布一致。所以本文将其加入到卷积神经网络中以提高模型的泛化能力，模型测试十次中，最高测试准确率达到100%。图3.7增加了Dropout层与BN层的卷积神经网络结构经过对模型结构的改进和参数调整，得到适合用于当前数据的卷积神经网络结构。如图3.7所示，本文最终改进的网络结构包括：两个加入了BN层(Batch
青岛大学硕士学位论文30的过拟合，训练集准确度达到100%，但预测集准确度却不足50%，即模型泛化能力低。为了解决图像过拟合问题，尝试对原网络结构加以调整。针对图像过拟合以及数据集个数较少的问题，Dropout是考虑的第一个解决方法。Dropout是Hinton于2012年提出的方法[86]，主要是针对模型参数多，但是样本过少产生的过拟合现象。其主要原理是通过减少特征选择器的重复作用来提高网络性能。文献[87,89]中都通过在全连接层使用Dropout方法来减少过拟合现象。所以尝试在卷积层和全连接层加入Dropout层，经过多次实验，最后一层pooling层后以及全连接层中加入Dropout层，得到了较好的训练效果(迭代50次，训练准确率为93%，测试准确率为90%)，其网络结构如图3.6所示。图3.6增加了Dropout层的卷积神经网络结构在pooling层后及全连接层中加入了Dropout层的方法使得网络的准确率得到了提升，但是其训练过程较慢且不稳定（前27次迭代训练准确率浮动较大，训练准确率38%左右）。遂考虑对数据进行归一化来解决不同范围数据的影响，加强稳定性，同时提高训练速度。BN层即BatchNormalization，由Sergey等人于2015年提出[87]，其优点在于减少了调参的难度，可以使用较大学习率使得训练速度加快，同时使得训练数据和测试数据分布一致。所以本文将其加入到卷积神经网络中以提高模型的泛化能力，模型测试十次中，最高测试准确率达到100%。图3.7增加了Dropout层与BN层的卷积神经网络结构经过对模型结构的改进和参数调整，得到适合用于当前数据的卷积神经网络结构。如图3.7所示，本文最终改进的网络结构包括：两个加入了BN层(Batch
【参考文献】：
期刊论文
[1]船舶柴油机故障预测与健康管理技术综述[J]. 柯赟,宋恩哲,姚崇,董全. 哈尔滨工程大学学报. 2020(01)
[2]基于改进关联规则的卸船机故障预测模型[J]. 叶永伟,程毅飞,赖剑人,任设东. 中国机械工程. 2019(20)
[3]深度学习在旋转机械设备故障诊断中的应用研究综述[J]. 吴春志,冯辅周,吴守军,陈汤,王杰. 噪声与振动控制. 2019(05)
[4]基于CNN-SVM的深度卷积神经网络轴承故障识别研究[J]. 胡晓依,荆云建,宋志坤,侯银庆. 振动与冲击. 2019(18)
[5]XJTU-SY滚动轴承加速寿命试验数据集解读[J]. 雷亚国,韩天宇,王彪,李乃鹏,闫涛,杨军. 机械工程学报. 2019(16)
[6]基于连续型HMM和PSO-SVM的滚动轴承剩余寿命预测[J]. 刘波,宁芊,刘才学,艾琼,何攀. 计算机应用. 2019(S1)
[7]数字孪生驱动的工业园区“产—运—存”联动决策架构、模型与方法[J]. 周达坚,屈挺,张凯,郭洪飞,闫勉,李从东,黄国全. 计算机集成制造系统. 2019(06)
[8]智能制造与全球价值链升级——海尔COSMOPlat案例研究[J]. 吕文晶,陈劲,刘进. 科研管理. 2019(04)
[9]基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用[J]. 王奉涛,刘晓飞,敦泊森,邓刚,韩清凯,李宏坤. 机械工程学报. 2019(07)
[10]基于耦合隐马尔可夫的轴承故障诊断方法[J]. 夏裕彬,梁大开,郑国,王景霖,曾捷. 振动.测试与诊断. 2018(06)
硕士论文
[1]基于深度学习的人脸识别技术研究与应用[D]. 穆童杰.西安邮电大学 2019
[2]面向过程的实时状态监测与故障诊断方法研究[D]. 姜婕.北京交通大学 2019
[3]基于神经网络的车辆轨迹预测算法的研究与实现[D]. 朱自升.西安电子科技大学 2018
[4]基于深度学习的图像语义分割研究[D]. 肖旭.南昌航空大学 2017
[5]基于动态状态空间模型的滚动轴承寿命预测研究[D]. 彭琦.北京化工大学 2016
[6]基于HMM的轴承故障诊断方法[D]. 李全.昆明理工大学 2010
本文编号：3242819
【文章来源】：青岛大学山东省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
故障诊断模型的构建
青岛大学硕士学位论文30的过拟合，训练集准确度达到100%，但预测集准确度却不足50%，即模型泛化能力低。为了解决图像过拟合问题，尝试对原网络结构加以调整。针对图像过拟合以及数据集个数较少的问题，Dropout是考虑的第一个解决方法。Dropout是Hinton于2012年提出的方法[86]，主要是针对模型参数多，但是样本过少产生的过拟合现象。其主要原理是通过减少特征选择器的重复作用来提高网络性能。文献[87,89]中都通过在全连接层使用Dropout方法来减少过拟合现象。所以尝试在卷积层和全连接层加入Dropout层，经过多次实验，最后一层pooling层后以及全连接层中加入Dropout层，得到了较好的训练效果(迭代50次，训练准确率为93%，测试准确率为90%)，其网络结构如图3.6所示。图3.6增加了Dropout层的卷积神经网络结构在pooling层后及全连接层中加入了Dropout层的方法使得网络的准确率得到了提升，但是其训练过程较慢且不稳定（前27次迭代训练准确率浮动较大，训练准确率38%左右）。遂考虑对数据进行归一化来解决不同范围数据的影响，加强稳定性，同时提高训练速度。BN层即BatchNormalization，由Sergey等人于2015年提出[87]，其优点在于减少了调参的难度，可以使用较大学习率使得训练速度加快，同时使得训练数据和测试数据分布一致。所以本文将其加入到卷积神经网络中以提高模型的泛化能力，模型测试十次中，最高测试准确率达到100%。图3.7增加了Dropout层与BN层的卷积神经网络结构经过对模型结构的改进和参数调整，得到适合用于当前数据的卷积神经网络结构。如图3.7所示，本文最终改进的网络结构包括：两个加入了BN层(Batch
青岛大学硕士学位论文30的过拟合，训练集准确度达到100%，但预测集准确度却不足50%，即模型泛化能力低。为了解决图像过拟合问题，尝试对原网络结构加以调整。针对图像过拟合以及数据集个数较少的问题，Dropout是考虑的第一个解决方法。Dropout是Hinton于2012年提出的方法[86]，主要是针对模型参数多，但是样本过少产生的过拟合现象。其主要原理是通过减少特征选择器的重复作用来提高网络性能。文献[87,89]中都通过在全连接层使用Dropout方法来减少过拟合现象。所以尝试在卷积层和全连接层加入Dropout层，经过多次实验，最后一层pooling层后以及全连接层中加入Dropout层，得到了较好的训练效果(迭代50次，训练准确率为93%，测试准确率为90%)，其网络结构如图3.6所示。图3.6增加了Dropout层的卷积神经网络结构在pooling层后及全连接层中加入了Dropout层的方法使得网络的准确率得到了提升，但是其训练过程较慢且不稳定（前27次迭代训练准确率浮动较大，训练准确率38%左右）。遂考虑对数据进行归一化来解决不同范围数据的影响，加强稳定性，同时提高训练速度。BN层即BatchNormalization，由Sergey等人于2015年提出[87]，其优点在于减少了调参的难度，可以使用较大学习率使得训练速度加快，同时使得训练数据和测试数据分布一致。所以本文将其加入到卷积神经网络中以提高模型的泛化能力，模型测试十次中，最高测试准确率达到100%。图3.7增加了Dropout层与BN层的卷积神经网络结构经过对模型结构的改进和参数调整，得到适合用于当前数据的卷积神经网络结构。如图3.7所示，本文最终改进的网络结构包括：两个加入了BN层(Batch
【参考文献】：
期刊论文
[1]船舶柴油机故障预测与健康管理技术综述[J]. 柯赟,宋恩哲,姚崇,董全. 哈尔滨工程大学学报. 2020(01)
[2]基于改进关联规则的卸船机故障预测模型[J]. 叶永伟,程毅飞,赖剑人,任设东. 中国机械工程. 2019(20)
[3]深度学习在旋转机械设备故障诊断中的应用研究综述[J]. 吴春志,冯辅周,吴守军,陈汤,王杰. 噪声与振动控制. 2019(05)
[4]基于CNN-SVM的深度卷积神经网络轴承故障识别研究[J]. 胡晓依,荆云建,宋志坤,侯银庆. 振动与冲击. 2019(18)
[5]XJTU-SY滚动轴承加速寿命试验数据集解读[J]. 雷亚国,韩天宇,王彪,李乃鹏,闫涛,杨军. 机械工程学报. 2019(16)
[6]基于连续型HMM和PSO-SVM的滚动轴承剩余寿命预测[J]. 刘波,宁芊,刘才学,艾琼,何攀. 计算机应用. 2019(S1)
[7]数字孪生驱动的工业园区“产—运—存”联动决策架构、模型与方法[J]. 周达坚,屈挺,张凯,郭洪飞,闫勉,李从东,黄国全. 计算机集成制造系统. 2019(06)
[8]智能制造与全球价值链升级——海尔COSMOPlat案例研究[J]. 吕文晶,陈劲,刘进. 科研管理. 2019(04)
[9]基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用[J]. 王奉涛,刘晓飞,敦泊森,邓刚,韩清凯,李宏坤. 机械工程学报. 2019(07)
[10]基于耦合隐马尔可夫的轴承故障诊断方法[J]. 夏裕彬,梁大开,郑国,王景霖,曾捷. 振动.测试与诊断. 2018(06)
硕士论文
[1]基于深度学习的人脸识别技术研究与应用[D]. 穆童杰.西安邮电大学 2019
[2]面向过程的实时状态监测与故障诊断方法研究[D]. 姜婕.北京交通大学 2019
[3]基于神经网络的车辆轨迹预测算法的研究与实现[D]. 朱自升.西安电子科技大学 2018
[4]基于深度学习的图像语义分割研究[D]. 肖旭.南昌航空大学 2017
[5]基于动态状态空间模型的滚动轴承寿命预测研究[D]. 彭琦.北京化工大学 2016
[6]基于HMM的轴承故障诊断方法[D]. 李全.昆明理工大学 2010
本文编号：3242819
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3242819.html
