基于深度学习的飞行器关键机械部件故障诊断方法研究

作     者：连冬杉 

作者单位：沈阳航空航天大学 

学位级别：硕士

导师姓名：院老虎;刘剑峰

授予年度：2021年

学科分类：08[工学] 082503[工学-航空宇航制造工程] 0825[工学-航空宇航科学与技术] 

主      题：飞行器 关键机械部件 故障诊断 深度学习 迁移学习 

摘      要：飞行器中存在大量轴承、齿轮等关键机械部件,其健康状态直接影响飞行器子系统甚至整体性能。因此,针对传统浅层学习方法的高级特征提取问题和实际工程中的小样本问题,本文开展了基于深度学习的飞行器关键机械部件故障诊断方法研究。首先,系统地介绍了本文提出的两种飞行器关键机械部件故障诊断方法的相关理论,包括连续小波变换（CWT）方法的基础理论、卷积神经网络（CNN）模型的工作机理、支持向量机（SVM）的分类原理以及迁移学习的基本概念,为后续故障诊断方法设计以及实验验证提供了充分的理论依据。然后,提出了一种基于CNN和迁移学习的飞行器关键机械部件故障诊断方法。分别将预训练完成的三种经典CNN模型进行微调构建了三种新的模型。采用CWT将一维原始振动信号转换为二维时频图像对所构模型进行训练,从而实现机械部件的故障诊断。分别使用轴承故障数据集和齿轮箱故障数据集对三种模型加以验证,结果表明,三种模型均获得了较高的诊断精度。最后,结合预训练完成的DenseNet和SVM搭建了DenseNet-SVM模型,并提出了基于该模型的飞行器关键机械部件故障诊断方法。同样采用CWT构造振动信号时频图像对所构DenseNet-SVM模型进行训练,从而实现机械部件的故障诊断。分别使用轴承故障数据集和齿轮箱故障数据集对该方法进行验证,结果表明,相比于预训练网络DenseNet的微调模型,DenseNet-SVM模型获得了更高的诊断精度且训练速度有极大提升。与其他方法相比,所提方法同样获得了较高的诊断精度,证明了该方法在机械部件故障诊断中的有效性和优越性。