基于時(shí)頻圖和CNN的直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法研究
發(fā)布時(shí)間:2025-07-07 01:18
直升機(jī)自動(dòng)傾斜器是控制直升機(jī)飛行狀況的核心動(dòng)部件,其中的滾動(dòng)軸承一旦出現(xiàn)裂紋、磨損對(duì)直升機(jī)的安全飛行具有很大隱患,因此研究能夠及時(shí)準(zhǔn)確識(shí)別滾動(dòng)軸承的診斷方法,對(duì)保證飛行安全具有重要意義。本文以洛陽(yáng)LYC軸承有限公司針對(duì)某型直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承模擬故障實(shí)驗(yàn)采集到的振動(dòng)數(shù)據(jù)作為研究對(duì)象。采用短時(shí)傅里葉變換構(gòu)造對(duì)應(yīng)時(shí)頻圖,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)對(duì)時(shí)頻圖的識(shí)別達(dá)到對(duì)軸承故障診斷的目的。主要工作內(nèi)容和研究成果如下:(1)相關(guān)基礎(chǔ)理論介紹。首先,采用短時(shí)傅里葉變換法和歸一化法,構(gòu)造任意尺寸時(shí)頻圖,得到時(shí)頻圖的灰度值,構(gòu)造好的時(shí)頻圖能夠同時(shí)表征振動(dòng)信號(hào)時(shí)頻域信息;其次,系統(tǒng)闡述了CNN網(wǎng)絡(luò)結(jié)構(gòu)、組成及其作用。(2)設(shè)計(jì)了針對(duì)直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷的CNN網(wǎng)絡(luò)模型。首先,通過(guò)實(shí)驗(yàn)確定最適合的CNN網(wǎng)絡(luò)結(jié)構(gòu)具有4個(gè)卷積層,4個(gè)池化層,卷積核尺寸為3×3,卷積核數(shù)量分別為3/14/812,池化方式選用最大池化,使用50%的Dropout,Softplus函數(shù)作為其激活函數(shù)。并且針對(duì)直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承故障診斷問(wèn)題,實(shí)驗(yàn)驗(yàn)證該方法...
【文章頁(yè)數(shù)】:70 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 課題研究背景以及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.2.1 傳統(tǒng)基于特征提取的故障診斷方法
1.2.2 基于深度學(xué)習(xí)的故障診斷方法研究現(xiàn)狀
1.3 本文主要研究?jī)?nèi)容
第2章 相關(guān)基礎(chǔ)理論
2.1 概述
2.2 短時(shí)傅里葉變換
2.3 振動(dòng)信號(hào)的時(shí)頻圖構(gòu)造
2.4 構(gòu)造時(shí)頻圖實(shí)例
2.5 CNN網(wǎng)絡(luò)
2.5.1 基本神經(jīng)元構(gòu)成
2.5.2 激活函數(shù)
2.5.3 卷積層
2.5.4 池化層
2.5.5 全連接層
2.5.6 Softmax回歸
2.5.7 損失函數(shù)
2.6 本章小結(jié)
第3章 故障診斷CNN網(wǎng)絡(luò)設(shè)計(jì)
3.1 概述
3.2 數(shù)據(jù)集說(shuō)明
3.3 CNN神經(jīng)網(wǎng)絡(luò)層次確定
3.3.1 2層卷積網(wǎng)絡(luò)設(shè)計(jì)
3.3.2 3層卷積網(wǎng)絡(luò)設(shè)計(jì)
3.3.3 4層卷積網(wǎng)絡(luò)設(shè)計(jì)
3.3.4 實(shí)驗(yàn)結(jié)果與分析
3.4 卷積核尺寸確定
3.5 池化方式確定
3.6 卷積核數(shù)量確定
3.7 使用Dropout
3.8 激活函數(shù)確定
3.9 本章小結(jié)
第4章 基于時(shí)頻圖的滾動(dòng)軸承故障診斷方法
4.1 概述
4.2 診斷方法流程
4.3 環(huán)境配置
4.4 實(shí)驗(yàn)結(jié)果分析
4.4.1 樣本數(shù)量對(duì)性能的影響
4.4.2 網(wǎng)絡(luò)泛化能力驗(yàn)證
4.4.3 不同數(shù)據(jù)集測(cè)試
4.4.4 與傳統(tǒng)方法對(duì)比實(shí)驗(yàn)
4.5 本章小結(jié)
第5章 總結(jié)與展望
5.1 總結(jié)
5.2 未來(lái)展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間參與的科研項(xiàng)目和成果
致謝
本文編號(hào):4056263
【文章頁(yè)數(shù)】:70 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 課題研究背景以及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.2.1 傳統(tǒng)基于特征提取的故障診斷方法
1.2.2 基于深度學(xué)習(xí)的故障診斷方法研究現(xiàn)狀
1.3 本文主要研究?jī)?nèi)容
第2章 相關(guān)基礎(chǔ)理論
2.1 概述
2.2 短時(shí)傅里葉變換
2.3 振動(dòng)信號(hào)的時(shí)頻圖構(gòu)造
2.4 構(gòu)造時(shí)頻圖實(shí)例
2.5 CNN網(wǎng)絡(luò)
2.5.1 基本神經(jīng)元構(gòu)成
2.5.2 激活函數(shù)
2.5.3 卷積層
2.5.4 池化層
2.5.5 全連接層
2.5.6 Softmax回歸
2.5.7 損失函數(shù)
2.6 本章小結(jié)
第3章 故障診斷CNN網(wǎng)絡(luò)設(shè)計(jì)
3.1 概述
3.2 數(shù)據(jù)集說(shuō)明
3.3 CNN神經(jīng)網(wǎng)絡(luò)層次確定
3.3.1 2層卷積網(wǎng)絡(luò)設(shè)計(jì)
3.3.2 3層卷積網(wǎng)絡(luò)設(shè)計(jì)
3.3.3 4層卷積網(wǎng)絡(luò)設(shè)計(jì)
3.3.4 實(shí)驗(yàn)結(jié)果與分析
3.4 卷積核尺寸確定
3.5 池化方式確定
3.6 卷積核數(shù)量確定
3.7 使用Dropout
3.8 激活函數(shù)確定
3.9 本章小結(jié)
第4章 基于時(shí)頻圖的滾動(dòng)軸承故障診斷方法
4.1 概述
4.2 診斷方法流程
4.3 環(huán)境配置
4.4 實(shí)驗(yàn)結(jié)果分析
4.4.1 樣本數(shù)量對(duì)性能的影響
4.4.2 網(wǎng)絡(luò)泛化能力驗(yàn)證
4.4.3 不同數(shù)據(jù)集測(cè)試
4.4.4 與傳統(tǒng)方法對(duì)比實(shí)驗(yàn)
4.5 本章小結(jié)
第5章 總結(jié)與展望
5.1 總結(jié)
5.2 未來(lái)展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間參與的科研項(xiàng)目和成果
致謝
本文編號(hào):4056263
本文鏈接:http://www.lk138.cn/kejilunwen/hangkongsky/4056263.html
最近更新
教材專著