检索结果-南通市图书馆

作者：赵尚军石家庄铁道大学

学位级别：硕士

滚动轴承是机械设备的重要零部件,在工业领域、交通运输领域应用广泛。但是滚动轴承经常运行在高温、重载等极端条件下,极易发生故障。一旦滚动轴承发生故障,轻则导致设备停机耽误工作进度,重则危及人民的生命财产安全。因此,进行滚动... 详细信息

滚动轴承是机械设备的重要零部件,在工业领域、交通运输领域应用广泛。但是滚动轴承经常运行在高温、重载等极端条件下,极易发生故障。一旦滚动轴承发生故障,轻则导致设备停机耽误工作进度,重则危及人民的生命财产安全。因此,进行滚动轴承的故障诊断具有十分重要的意义。基于信号处理的方式对轴承进行故障诊断,十分依赖专家经验。而深度神经网络具有强大的特征提取能力,能够减轻对专家经验的依赖,同时可以提高滚动轴承故障诊断准确率。本文针对变工况下滚动轴承诊断精度低、传统批量学习模型不能较好地识别新产生数据、增量学习模型不能较好地诊断不同实验台、不同工况下的数据等问题进行了研究。主要研究内容如下:(1)基于MTCN(Multipath Temporal Convolutional Network)的滚动轴承故障诊断方法研究。为解决在不同转速、动载荷等变工况下滚动轴承故障诊断精度低的问题,基于已有的时间卷积网络(Temporal Convolutional Network,TCN)提出了多路时间卷积网络(MTCN)来获得不同感受野下的振动信号特征,从而提高轴承故障诊断准确率。该MTCN网络使用了三路TCN网络,其中两路为原始振动信号输入到使用不同膨胀因子的TCN网络,另一路为提取到的时域特征输入到TCN网络。然后将提取到的三路特征进行拼接,输入到全连接层,并使用Softmax进行多分类。实验结果表明,在含有多种转速、动载荷等多种工况的数据集下,MTCN的滚动轴承故障诊断准确率可以达到97.19%,与长短期记忆网络(Long Short-Term Memory,LSTM)和一维卷积的Alex Net相比,具有更高的准确率。(2)基于SMDER(Shared Module Dynamically Expandable Representation)的滚动轴承故障诊断方法研究。针对基于深度学习的轴承故障诊断中的诊断数据增量、诊断故障类型增量问题,传统批量学习方法将新数据和旧数据混合一起重新训练模型,会导致训练时间过长;采用轴承实际运行中逐步产生的数据训练传统批量学习模型,将导致模型的“灾难性遗忘”。为解决“灾难性遗忘”问题,提出了基于共享模块的动态可扩增网络模型(Shared Module Dynamically Expandable Representation,SMDER)的轴承故障诊断方法。SMDER是在动态可扩增网络模型(Dynamically Expandable Representation,DER)的基础上新增了共享模块,目的是共享新旧数据和故障类型,在一定程度上解决“灾难性遗忘”问题。在凯斯西储大学轴承数据集上进行对比实验,结果显示使用SMDER的轴承故障诊断精度可以达到96.7%,比使用DER的轴承故障诊断精度高出1.58个百分点,比主流的增量学习方法i Ca RL的滚动轴承故障诊断准确率高出5.92个百分点。SMDER模型对新增故障类型识别率更高。(3)基于SE-SMDER的滚动轴承故障诊断方法研究。针对基于SMDER的滚动轴承故障诊断方法在不同实验台、不同工况下诊断精度低的问题,融合压缩—激励网络(Squeeze-and-Excitation Networks,SENet)提出了SE-SMDER。通过在共享模块后添加通道注意力机制,使得模型能够更精准地识别轴承故障特征所属的通道。在凯斯西储大学轴承数据集、高铁轮对轴承数据集组合后的数据集下进行实验,结果显示,使用SE-SMDER的轴承故障诊断精度可以达到91.25%,比不使用SENet的轴承故障诊断精度高出2.78个百分点。此外还对SENet中的激励模块进行改进,将缩放改为扩增,以增强模型的提取能力。实验表明,相较于未改进的SENet,将改进后的SENet融合到SMDER后,轴承故障诊断准确率更高。

关键词：深度学习多路时间卷积网络增量学习 SENet 故障诊断

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于MTCN的滚动轴承故障诊断方法研究

引用

软件导刊 2023年第3期22卷 96-102页

作者：马新娜赵尚军栾浩楠刘心茹牛天云石家庄铁道大学信息科学与技术学院河北石家庄050043 石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室河北石家庄050043

为解决滚动轴承在不同转速、动载荷等变工况下故障诊断精度低的问题,基于已有时间卷积网络(TCN)提出多路时间卷积网络(MTCN)获得不同感受野下的振动信号特征,从而提高滚动轴承故障诊断准确率。首先,该网络使用了三路TCN网络,其中两路为... 详细信息

为解决滚动轴承在不同转速、动载荷等变工况下故障诊断精度低的问题,基于已有时间卷积网络(TCN)提出多路时间卷积网络(MTCN)获得不同感受野下的振动信号特征,从而提高滚动轴承故障诊断准确率。首先,该网络使用了三路TCN网络,其中两路为原始振动信号输入到不同膨胀尺度的TCN网络,另一路将提取的时域特征输入TCN网络。然后,将三路特征进行拼接后输入全连接层中通过Softmax进行多分类。实验表明,在含有多种转速、动载荷等工况的数据集中,MTCN的滚动轴承故障诊断准确率可达到97.19%,相较于长短期记忆网络(LSTM)和一维卷积的AlexNet准确率更高。

关键词：深度学习多路时间卷积网络动载荷滚动轴承故障诊断

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

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

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

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

在线全文

在线全文

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：