滾動軸承作為大型機械設備的基本部件,其狀態(tài)的正常與否直接影響到設備能否安全運行。若軸承在設備運行過程中出現故障,不但會造成巨大的經濟損失,甚至會引發(fā)一系列災難。因此,對滾動軸承故障診斷技術進行研究具有十分重要的實際意義。故障診斷的過程一般可分為四個步驟:信號采集、特征提取、特征選擇和故障識別。其中故障的特征提取和故障識別是最終決定能否準確判斷滾動軸承故障類別的重要步驟,故本文將從這兩方面進行深入研究。主要工作如下:(1)對滾動軸承故障信號的特征提取方法的研究:首先針對稀疏降噪自編碼器(SDA)在特征提取過程中存在的計算復雜度高、參數不易調節(jié)和訓練收斂速度慢等問題,對SDA網絡的損失函數進行邊緣化處理,構成稀疏邊緣降噪自編碼器(MSDA),隨后結合逐層貪婪算法得到具備深層神經網絡性質的堆疊稀疏邊緣降噪自編碼器(SMSDA),然后將SMSDA網絡與Softmax分類器結合,得到SMSDA-Softmax特征提取模型,最后利用QPZZ-Ⅱ旋轉機械故障模擬實驗平臺模擬多種故障類型,對比實驗表明,本文提出方法相比于傳統(tǒng)的堆疊稀疏降噪自編碼器(SSDA),在收斂速度以及學習精度上都有了較大提升。(...

【文章頁數】：62 頁

【學位級別】：碩士

【部分圖文】：

圖3.2故障診斷實驗平臺

武漢科技大學碩士學位論文24圖3.2故障診斷實驗平臺3.3.1實驗數據本次實驗的振動信號來源于QPZZ-Ⅱ旋轉機械振動故障實驗平臺上，實驗軸承型號為N205EM,軸承節(jié)徑為39.5mm,滾動體直徑為7.5mm,滾動體個數為12個,接觸角為0°。信號采集傳感器為IMIM626B03....

圖4.2非線性支持向量機原理圖

武漢科技大學碩士學位論文32圖4.2非線性支持向量機原理圖在給定核函數的情況下，可以采用求線性分類問題的方法對非線性分類問題進行求解。學習是隱式地在特征空間中進行，這樣的技巧稱為核技巧。在實際應用中，核函數的選取往往通過經驗判斷，本文接下來對幾種常見的核函數進行了簡單介紹。（1）....

圖5.1滾動軸承實驗平臺

武漢科技大學碩士學位論文38第5章實驗研究在第三章中，本文已采用實驗室故障診斷實驗平臺證明了SMSDA-Softmax模型能夠直接對滾動軸承的原始信號進行分類識別，并且在不同噪聲干擾下都能取得良好的診斷效果。針對第四章提出的SMSDA-PSO-SVM模型，為了檢測模型在面對多種故....

圖5.3分類混淆矩陣

武漢科技大學碩士學位論文42表5.5模型主要參數名稱數值輸入節(jié)點1024輸出層節(jié)點10稀疏性參數0.05稀疏懲罰項參數0.008邊緣限制參數0.0003本次仿真實驗選取含有3個隱層的SMSDA網絡，其中每個隱藏層神經元數量分別選擇為512-512-256。5.4.2改進支持向量機....

本文編號：3996601