【摘 要】
：
针对现有故障诊断大多基于信号处理方法的现状,提出一种基于判别性卷积神经网络的智能特征学习方法并用于感应电机故障诊断.首先利用BP神经网络从已知故障类型的电机振动信号中学习卷积层滤波器权值,使之能够获取具判别性的特征信息.然后构建一个三层卷积神经网络,利用其具有局部连接和保持特征不变性的特点,用配置好权值的滤波器在非监督模式下卷积学习振动信号中所隐含的具判别性的特征信息.最后将学习到的特征加上其标签
【机 构】
：
东南大学仪器科学与工程学院,南京210096
【出 处】
：
2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016
论文部分内容阅读
针对现有故障诊断大多基于信号处理方法的现状,提出一种基于判别性卷积神经网络的智能特征学习方法并用于感应电机故障诊断.首先利用BP神经网络从已知故障类型的电机振动信号中学习卷积层滤波器权值,使之能够获取具判别性的特征信息.然后构建一个三层卷积神经网络,利用其具有局部连接和保持特征不变性的特点,用配置好权值的滤波器在非监督模式下卷积学习振动信号中所隐含的具判别性的特征信息.最后将学习到的特征加上其标签用来训练支持向量机(Support Vector Machine,SVM)分类器,实现对感应电机故障类型的分类.试验数据分析表明,这一基于判别性卷积神经网络的智能特征学习方法可有效提高感应电机故障诊断的准确度.
其他文献
为研究近煤层群开采时亚关键层结构对工作面矿压规律的影响,以李家豪煤矿为研究背景,结合矿山压力及岩层控制相关理论,运用数值模拟软件UDEC对不同煤层间距条件下单一关键层和复合关键层的老顶结构进行模拟.结果表明:煤层群开采煤层间亚关键层结构对工作面矿压规律影响很大,当存在两层亚关键层且岩性差异较大时,周期来压步距和周期来压强度无规律性,不可线性研究.
综放开采煤矸自动识别是实现综放开采技术自动化的关键,为此,提出了采用双能γ射线技术对放顶煤煤矸混合体中的矸石含量进行测定识别.分析了双能γ射线穿过煤矸混合体时的衰减规律,建立了煤矸混合体灰分与含矸量间的量化关系,通过实验的方法对双能γ射线煤矸识别的灰分、含矸率等相关参数进行了实验分析,建立了两者之间的相关关系,同时对仪器响应的实时性进行了验证.结果表明,利用双能γ射线技术对放顶煤煤矸混合流中矸石含
齿轮箱故障常以齿轮和轴承混合故障形式出现,振动信号中各故障特征成分相互耦合.提出了一种新的基于稀疏分解的齿轮箱混合故障信号分离方法.综合齿轮箱分布型故障和局部型故障的特征规律,构建了物理意义明确、通用性广的平稳调制字典和冲击调制字典.平稳调制字典以余弦函数为原子,同时引入离散频谱比值校正法以提高分离精度;冲击调制字典以单位脉冲响应函数为原子,其物理参数利用相关滤波法自适应识别.信号按照最小特征周期
提出了一种基于经验小波变换的自适应多尺度模糊熵的转子系统故障诊断方法.首先,采用最近提出的经验小波变换将转子信号分解为若干个不同尺度的具有紧支集频谱的内禀模态函数之和;其次,计算每个内禀模态函数的模糊熵;再次,将提取的多尺度特征故障特征向量输入到基于神经网络集成建立的多故障分类器进行训练:最后,将测试样本输入到已训练的分类器进行测试.实验数据分析结果验证了论文方法的有效性.
滚动轴承是旋转机械中的关键部件,因此针对其的故障诊断一直是研究的热点.隐马尔可夫模型作为基于时间序列的随机概率模型,在轴承故障诊断领域应用广泛.但是由于它遵循马尔可夫链的前提假设,使得它的状态持续时间函数形式固定,不能够对真实情况做出适合的建模.而隐半马尔可夫模型是隐马尔可夫模型的衍生模型,在定义完全的隐马尔可夫模型基础上加入了时间组成部分,克服了因马尔可夫链假设所造成的局限性.实验结果验证了基于
石油井架属大型钢结构,因其结构损伤问题关乎整个钻井平台承载安全而备受关注.石油井架承载复杂、工况特殊、节点量大,传统的结构损伤检测方法受到限制.本文建立以BP神经网络为主的智能损伤识别系统,将实测振动信号正则化后,作为输入量输入智能系统,用三层前向神经网络进行BP网络训练.训练获得的特征数据与损伤征兆数表对比,实现了结构损伤的位置和程度识别诊断.研究表明:损伤识别结果相对误差远小于限定值10％,识
提出用VAR模型和ARMA模型加权的方法对车轴裂纹声的发射信号进行预测.轨道车辆上车轴是连接列车轮对的关键部件,车轴若出现裂纹将是巨大的风险,会造成停机甚至重大事故的发生,给社会经济和安全带来隐患和损失.声发射技术是一种无损检测方法,可以判断材料或者零部件的损伤状态,但对车轴裂纹的预测目前处于起步阶段.VAR和ARMA模型的预测应用广泛,但这两种模型的预测在声发射信号预测中运用较少.采取声发射监测
航天飞行器管路具有长距离、薄壁等特点;其工作在恶劣的力学环境和热环境下,各类管路损伤频繁发生;且管路外部包覆有绝热层,极大地增加了管路损伤检测的难度.因此,常规无损检测方法不能满足飞行器管路损伤检测的苛刻要求.超声导波具有在传播路径上的能量衰减小,传播距离远,可以实现大范围、全方位管路监测的优点,在飞行器管路监测领域具有巨大的潜在应用价值.阐述飞行器管路损伤超声导波评估技术的特点与难点;从超声导波
形态分量分析方法基于信号组成成分的形态差异性,构建合适的过完备字典对信号进行稀疏分解.其优势在于可以提取出包含故障特征的信号分量,故障诊断更加清晰.针对行星齿轮箱局部故障调制信号,通过形态分量分析分离故障特征分量并做包络谱分析,进而诊断行星齿轮箱故障类型.行星轮仿真信号以及故障实验信号的分析结果验证了方法的有效性.
针对轴承的智能诊断,提出了一种基于EWT和SVM的诊断方法.用EWT预先处理振动信号,利用EWT的自适应性,分解得到3个IMF,紧接着对原始振动信号以及3个IMF分量分别提取6个时域特征指标.其次,为了得到对分类灵敏度高的特征分量,选用DET法对得到的特征分量先进行筛选,剔除灵敏度低的特征分量.最后选择SVM作为分类器,通过实验,训练样本建立模型,实现对滚动轴承的正常、滚动体故障、内圈故障、外圈故