基于深度学习的多工况滚动轴承故障诊断算法研究
文献类型：学位论文
| 作者 | 孙仕鑫 |
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 高洁 |
| 关键词 | 变负载 噪声环境 多工况 健康状态 卷积神经网络 |
| 学位名称 | 专业学位硕士 |
| 学位专业 | 控制工程 |
| 其他题名 | Research on Rolling Bearing Fault Diagnosis Algorithm based on Deep Learning under Multiple Working Conditions |
| 英文摘要 | 如今，越来越智能的机械设备已经在工业生产中大量服役，为保障机械设备安全可靠地运行，需要建立完备的故障预测与健康管理机制（Prognostics Health Management，PHM）。在实际工业生产中，工况总是复杂多变的，基于传统机器学习的智能故障诊断算法已不能满足人们日益增长的对准确识别滚动轴承健康状态的需要。因此，基于深度学习的现代智能故障诊断算法应运而生，此方法为智能、精准、快速识别滚动轴承健康状态提供了新思路。本文就基于深度学习的现代智能故障诊断算法展开了一系列研究，并提出了一些有效的滚动轴承故障诊断算法，具体内容及创新如下：（1）针对模型在变负载下难以识别滚动轴承健康状态的问题，本文提出了基于多通道时频域信号的卷积神经网络模型（Convolutional Neural Network based on Multi-channel Time-frequency Signals，CNN-MCTFS）。由于不同的小波可以提取到不同的特征，该模型采用多种小波，将时域信号转化成多通道时频域信号，输入到卷积神经网络中。在卷积神经网络中，为避免丢失重要特征，将空洞卷积后的最大池化替换成全局最大池化。相比其他模型，该模型提升了在变负载下的滚动轴承故障诊断精度。（2）为解决网络无法辨认健康状态相关特征和无关特征的问题，从而进一步提高诊断精度，本文提出了自适应注意力网络模型（Adaptive Attention Network，AANet）。该模型以18层残差网络（Residual Network，ResNet）为骨干，其第一层卷积层被替换为具有宽内核的多尺度卷积模块（Multi-scale Convolution Module with Wide Kernels，MCM），这样不仅可以提取多尺度特征，还可以抑制Dropout引入的干扰。之后，连续堆叠的残差块（Residual Block，ResBlock）被嵌入自适应注意力模块（Adaptive Attention Module，AAM），用于重点关注状态相关特征，忽略无关特征。该模型与CNN-MCTFS相比，在变负载下得到了更好的诊断效果。（3）为解决存在变负载和噪声的多工况下滚动轴承健康状态识别问题，本文提出了抗噪残差网络模型（Anti-noise Residual Network，ARNet）。设计一种被称为多Dropout模块（Multiple Dropout Module，MDM）的结构，使得模型在一次训练时，即可学习到多种输入信号分布。当特征图的尺寸改变时，ResNet的跳跃连接上配有卷积。为验证卷积的有效性，设计并比较了五种跳跃连接方式。在最后还比较了不同深度的ResNet，用于指导选择合适的ResNet。在仿真数据集上实验，结果显示该模型很好地完成了在多工况下识别滚动轴承健康状态的挑战。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 70页 |
| 源URL | [http://ir.sia.cn/handle/173321/28966]  |
| 专题 | 沈阳自动化研究所_智能检测与装备研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 孙仕鑫. 基于深度学习的多工况滚动轴承故障诊断算法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。