检索结果-南通市图书馆

作者：邓婕南京航空航天大学

学位级别：硕士

在车辆传动系统中,滚动轴承是常见的旋转部件,其故障诊断也一直是一个重要的工程课题。近年来机械设备高速化、复杂化发展,随之而来的是数据量的大规模增加,传统故障诊断方法无法处理如此庞大的数据量,因此基于数据驱动的故障诊断方法... 详细信息

在车辆传动系统中,滚动轴承是常见的旋转部件,其故障诊断也一直是一个重要的工程课题。近年来机械设备高速化、复杂化发展,随之而来的是数据量的大规模增加,传统故障诊断方法无法处理如此庞大的数据量,因此基于数据驱动的故障诊断方法应运而生,而其中基于深度学习的智能故障诊断是一大研究热点。本文以滚动轴承为研究对象,针对智能故障诊断中的数据结构优化、样本不平衡和跨域诊断三个方面的问题,分别提出相应的算法和模型进行解决,具体工作如下:(1)在试验数据输入故障诊断模型前,针对噪声污染下采集的振动信号,提出了基于小波阈值降噪和高次相关相结合的数据优化方法。小波阈值降噪具有数据噪声消除能力,高次相关具有数据特征增强效果,两种方法的结合能够更加有效优化数据结构。通过公开轴承数据集数据对所提方法进行验证,结果表明,处理后的信号噪声成分被有效抑制,时域信号中冲击特征更加明显,频域信号中特征频率也更加突出。(2)针对滚动轴承故障诊断中的样本不平衡问题,提出了基于生成对抗网络和深度卷积神经网络相结合的智能故障诊断模型。通过生成对抗网络迭代训练生成故障信号,扩充不平衡样本的数据,再将处理过后样本数量均衡的数据集输入深度卷积模型中进行故障特征提取和故障模式分类。利用在课题组试验台所采集的滚动轴承振动数据对模型进行了验证,结果表明该模型具有较高的诊断性能。(3)针对滚动轴承故障诊断中的跨工况诊断问题,提出了一种基于改进生成对抗网络和注意力机制的综合模型来进行跨域训练。受到生成式对抗网络的启发,将生成器替换为目标域特征提取器,通过目标域特征提取器和判别器的对抗训练,使得目标域特征与源域特征之间分布差异最小化,并且在特征提取器中加入注意力机制层,提高重要特征的权重,优化数据结构。通过对公开数据集和课题组试验数据集分别进行不同跨域任务的训练验证所提模型的有效性。

关键词：滚动轴承智能故障诊断对抗网络卷积神经网络跨域诊断

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

基于元迁移学习的压燃式活塞发动机气门故障诊断研究

引用

现代电子技术 2024年第18期47卷 29-34页

作者：何鹏飞万洪平黄国勇昆明理工大学民航与航空学院云南昆明650500 中国广核新能源控股有限公司云南分公司云南昆明650200

针对压燃式活塞发动机气门间隙故障振动信号样本少以及跨工况故障诊断困难的问题,提出一种基于元学习和迁移学习的压燃式活塞发动机气门间隙异常故障诊断方法。元学习采用MAML作为学习器,对目标域的支撑集进行数据扩展,提升其泛化能力;... 详细信息

针对压燃式活塞发动机气门间隙故障振动信号样本少以及跨工况故障诊断困难的问题,提出一种基于元学习和迁移学习的压燃式活塞发动机气门间隙异常故障诊断方法。元学习采用MAML作为学习器,对目标域的支撑集进行数据扩展,提升其泛化能力;迁移学习采用ResNet34作为特征提取网络,并通过SSL替代SL损失函数,压缩源域特征向量之间的距离,为目标域任务提供更多的特征嵌入空间,提升其跨域诊断能力。将预训练和微调后的元学习和迁移学习模型进行决策融合后作为诊断结果输出,并使用发动机台架进行实验数据验证。结果表明,所提方法能在小样本情况下有效识别跨工况气门间隙故障,且效果明显优于单独使用元学习或迁移学习的诊断方法。

关键词：压燃式活塞发动机气门机构故障诊断 MTL模型迁移学习 ResNet34网络跨域诊断

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

基于迁移学习的滚动轴承跨域智能故障诊断方法研究

基于迁移学习的滚动轴承跨域智能故障诊断方法研究

引用

作者：周雨轩北京化工大学

学位级别：硕士

旋转机械在日常社会活动中起着重要作用,滚动轴承作为其重要组件,通常在较为复杂的工况下运行。因此,需要对轴承运行过程进行监测与故障诊断。随着科学水平不断提高,基于人工智能技术的故障诊断方法得到了长足发展。然而,从智能故障诊... 详细信息

旋转机械在日常社会活动中起着重要作用,滚动轴承作为其重要组件,通常在较为复杂的工况下运行。因此,需要对轴承运行过程进行监测与故障诊断。随着科学水平不断提高,基于人工智能技术的故障诊断方法得到了长足发展。然而,从智能故障诊断方法实际应用的角度出发,现有智能诊断模型仍存在诸如方法框架固定难以动态调整、完备故障数据难获得以及实际可部署能力不足等问题。为了打破上述现实因素的制约,本文开展了轴承迁移跨域故障诊断方法研究,主要内容如下:介绍了迁移学习的方法理论以及三类基于样本实例、特征信息、模型参数的典型迁移学习模型。此外,从轴承动力学层面揭示了产生振动的原因,结合故障信号的振动特性,分析滚动轴承不同故障数据集之间的可迁移性,以及基于滚动轴承智能故障诊断任务的可迁移性,分析了三种迁移故障诊断应用场景。针对现有迁移诊断模型对不同故障诊断任务难以进行动态调整的问题,提出了一种深度动态域自适应网络模型,通过调节权重因子实现了在不同故障迁移诊断域自适应过程中,动态减小分布差异,迁移诊断模型可以有效获得更多的源域故障特征信息。在实验验证部分,除了进行变工况、变故障程度的迁移诊断外,还进行了跨机械级别的迁移诊断,通过与多个现有的迁移诊断方法对比,所提出的方法具有明显的优势。针对现有迁移诊断模型所需的完备故障数据实际中难以获得,模型实际可部署能力不足的问题,提出了一种时变的多源在线迁移诊断模型。离线阶段,仅需少部分无标记的目标机器运行数据即可完成初始模型构建,并将原始数据映射到相应特征空间中。在线阶段,模型采集到目标机器运行的在线样本后进行实时参数更新,获得新的故障特征表示。此外,所提出的迁移诊断模型具有多个源域能够提供更多域间可迁移诊断知识。通过和其他方法对比,展示了所提出方法的简便性以及实际可部署能力。

关键词：迁移学习跨域诊断人工智能滚动轴承

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

基于深度卷积神经网络的变转速行星齿轮箱故障诊断方法研究

基于深度卷积神经网络的变转速行星齿轮箱故障诊断方法研究

引用

作者：胡方全北京交通大学

学位级别：硕士

行星齿轮箱在众多机电系统中承担着至关重要的传动作用,其一旦发生故障,将有可能带来经济损失与人员伤亡,因此非常有必要对其进行状态监测与故障诊断。然而在变转速行星齿轮箱的智能诊断领域,从振动信号中提取故障特征非常困难,而且智... 详细信息

行星齿轮箱在众多机电系统中承担着至关重要的传动作用,其一旦发生故障,将有可能带来经济损失与人员伤亡,因此非常有必要对其进行状态监测与故障诊断。然而在变转速行星齿轮箱的智能诊断领域,从振动信号中提取故障特征非常困难,而且智能诊断模型难以对未知转速下的故障进行诊断。本文针对以上问题,首先通过分析行星齿轮箱振动特性,建立了行星轮故障情况下的行星齿轮箱振动模型,结合实测行星齿轮箱振动信号进行分析,验证了变转速下的行星齿轮箱振动信号具有强非平稳性与多频率调制特性。结合行星齿轮箱振动信号特性设计了基于深度卷积神经网络(DCNN)的故障智能诊断方案,该方案能够自动提取故障特征,能够在已知变转速下诊断两种难以分辨的行星轮故障。针对智能诊断模型在未知转速下的跨域诊断问题,本文提出了三种优化策略。首先通过在训练过程中加入少量未知转速的验证样本,使模型能够在未知转速下进行智能诊断;其次,考虑到在训练阶段无法获取目标转速下的振动信号的情况,基于Dropout策略和残差模块对深度卷积神经网络结构进行优化,以增强模型的泛化能力,从而实现在未知转速下的故障诊断;最后,通过生成对抗网络生成未知转速下的振动信号来扩充训练数据集,进一步提升了诊断模型在未知转速下的故障诊断能力。通过实验证明了所提出的基于DCNN的智能诊断方案能够实现变转速行星齿轮箱的故障诊断,且三种优化策略都能有效提升诊断模型的跨域诊断性能。本文为变转速行星齿轮箱故障诊断提供了有效的智能诊断方案,并为智能诊断模型在未知转速下的跨域诊断问题提供了新的思路和可行的解决方案。文中包含图51幅,表12个,参考文献73篇。

关键词：卷积神经网络生成对抗网络行星齿轮箱故障诊断变转速未知转速跨域诊断

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

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

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

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：