【摘 要】
:
故障诊断是设备维护中的关键部分,轴承作为现代机械设备中的基础元件更是维护过程中的关键部分。由于滚动轴承受各种复杂因素的影响,使之成为整个旋转机械系统中可靠性最差的零部件之一。传统的轴承故障诊断方法以人工设计降噪、滤波、特征提取为主,手动提取特征的过程相对繁琐,且需要一定的背景知识,在面对海量数据集时越来越力不能及。此外,轴承工作周期跨度大,工况复杂多变,这也使得手动提取特征愈发困难。随着深度学习的
论文部分内容阅读
故障诊断是设备维护中的关键部分,轴承作为现代机械设备中的基础元件更是维护过程中的关键部分。由于滚动轴承受各种复杂因素的影响,使之成为整个旋转机械系统中可靠性最差的零部件之一。传统的轴承故障诊断方法以人工设计降噪、滤波、特征提取为主,手动提取特征的过程相对繁琐,且需要一定的背景知识,在面对海量数据集时越来越力不能及。此外,轴承工作周期跨度大,工况复杂多变,这也使得手动提取特征愈发困难。随着深度学习的崛起,其强大的特征提取能力和泛化能力受到越来越多学者的关注,为复杂真实情况下的轴承高精度、低成本、智能故障诊断提供了可能。基于此,本文以轴承振动信号为研究对象,以噪声、变工况为应用背景,研究设计不同深度神经网络以实现复杂工况下的轴承故障诊断任务,主要工作如下:(1)为实现标准场景下端到端的轴承故障诊断,考虑到自注意力机制在多个领域中表现优异,有着强大的特征提取能力,故本文将自注意力与卷积神经网络结合作为轴承信号的特征提取器,从而实现对轴承不同类型、不同程度故障的准确分类。通过对比实验验证了算法的可行性,证明了自注意力机制在轴承故障分类任务上的有效性,并为后续复杂工况下的研究提供了算法前提。(2)为实现噪声场景下端到端的轴承故障诊断,采用自适应软阈值方法逐层降噪,输入部分采用随机掩膜的方式降低噪声对输入信号的影响。为降低信息缺失造成精度下降的影响还设计了一种与特征提取器相对称的解码器用以实现自回归训练。从输入、网络结构、输出三部分进行改进得到基于随机掩膜的卷积自注意力收缩自编码器(MCSASA),用以实现噪声场景下的轴承故障诊断任务。并通过对比实验、消融实验验证了方案的可行性与有效性。(3)为实现变工况场景下端到端的轴承故障诊断,降低数据成本的同时提高网络适应性,以源数据和无标签目标数据进行网络训练,提出了一种基于交叉注意力的领域对抗网络(CADAN)。通过交叉注意力机制和领域对抗学习降低不同工况间特征间的边缘分布差异,通过预训练方式结合聚类方法生成目标数据伪标签,进而实现半监督学习。最后通过可变负载下的轴承故障诊断对比实验以及消融实验验证了算法的性能。本文有图37幅,表10个,参考文献70篇。
其他文献
近年来,随着网络技术的提升及多媒体数据的爆炸性增长,这使得我们在现实生活中要面对的数据量越发庞大。同时,我们目前的需求不再满足于单一模态数据的相似性检索,而是多模态数据间的相互检索,即跨模态检索。而哈希技术的出现大大降低了检索时间与存储成本,因此在近年来也引起了广泛的关注与应用。经过多年的研究,跨模态哈希技术尽管有了不小的进展,但仍然存在着一些问题需要解决。例如大多数有监督哈希方法仅仅将标签信息转
科学技术的进步,使得人们对美好生活的向往有了更深层次的追求,人们已不满足于只能完成单一既定任务的设备,而是更青睐于具有一定思维能力的智能机器人。SLAM是人工智能技术的重要基础,其赋予了机器人自我感知世界的能力,通过搭载特定的传感器,在未知的环境中实现对环境模型的构建,同时估计自己的运动。目前,SLAM技术已被广泛应用于智能机器人、无人机、自动驾驶以及AR/VR等领域。伴随着计算机视觉技术的飞速发
颅内压高症是许多疾病的共有症群,采用植入式设备对患者的颅内压进行连续性监测,并在监测到颅内压异常时自主释放降压药物以维持患者颅内压动态平衡,这对颅内压高症的治疗具有重要意义。本文围绕植入式颅内压监测给药系统进行研究,设计并实现了具有颅内压监测、颅内压异常诊断和药物释放的功能植入式系统。(1)针对传统颅内压监测设备不灵活,患者依从性低的问题,设计了一种软植入的颅内压实时监测设备,在允许患者小范围活动
纳米孔已经成为一类特殊的单分子分析工具,为检测和表征核酸和蛋白质等生物分子提供了巨大的潜力。作为生物纳米孔的替代品,固态纳米孔由于其在孔隙几何和孔径尺寸上的大范围可调性以及其优异的机械特性和电学特性而呈现出显著的多功能性。本文采用离子电流监测机制辅助的各项异性湿法刻蚀法进行锥形硅基固态纳米孔的制备,在满足低成本、批量化、可控性制备需求的同时,将制备工艺节点推进至亚5nm。围绕上述主题,本文主要研究
随着互联网信息科技的发展,人们在日常生活需要处理各式各样的信息,信息过载成为人们快速获取需要的信息内容的一个重大难题。推荐系统的出现无论是对于业务需要的高效工作,还是日常生活的品质体验,都帮助人们大大减轻了筛选信息的工作,带来巨大的帮助和收益。推荐系统的实现方法是根据学习用户或项目本身的属性信息,以及用户与项目的历史交互信息来挖掘用户可能感兴趣的项目。但传统的推荐算法只关注于用户和项目的直接交互数
社交媒体中存在着大量的用户情感信息,企业决策者们不仅希望了解用户情感,还希望了解相应的原因,以帮助他们从用户层面思考和优化产品。在这样的需求下,情感原因检测成为自然语言处理中具有重要价值和应用前景的任务之一,并逐渐发展为情感原因对提取任务(ECPE)。传统的二阶段ECPE模型存在着模型错误传递无法修正的问题,尽管后来的端到端模型解决了这一问题,但仍存在着文档事件特征利用不充分、混淆因子夹杂的问题。
命名实体识别作为自然语言处理领域中的基本任务,可以从非结构化的文本数据中提取实体信息,在问答系统、信息抽取、阅读理解等其他自然语言处理领域任务起重要支撑作用。在文本数据爆炸式增加、GPU计算能力快速提升的背景下,深度学习被应用于解决命名实体识别问题并取得了良好的效果,成为解决该领域问题的主流方案。虽然命名实体识别技术取得了迅猛发展,但许多命名实体识别研究都是在英文领域,中文领域的命名实体识别依然存
组合设备是一种高度自动化集成制造系统,能够对单枚晶圆进行高效且精确的加工。因此,它被广泛应用于半导体芯片制造。组合设备由一对真空锁、一个传输模块以及若干个加工模块组合在一真空环境中。随着半导体芯片制程日益复杂,由若干台组合设备通过缓冲模块耦合而成的多组合设备逐渐被晶圆厂采用。由于组合设备的价格不菲,因此寻找有效的调度与控制方法提高其利用率和回报率,是非常有必要的。近几年来,芯片产品种类多样化,晶圆
随着信息技术推动全球由传统工业进入信息社会,农业也迈入数字化、智能化的新时代。研究基于三维点云技术的植物形状表达与表型分析,对促进农业的高产量、高质量生产具有至关重要的意义。然而,对植物幼苗进行三维重建,常存在户外环境光线不稳定、叶片间的遮挡、摄像头视野限制、扫描精度过低等因素导致植物幼苗点云出现噪声、稀疏、缺失的情况,影响了植物表型分析的准确度。因此,研究植株点云数据的修补算法,能辅助植物三维形
随着互联网的发展,信息量指数增长,如何从大量信息中获取所需要的信息是一个重要问题,因此,信息抽取的相关技术研究愈发重要。事件检测是自然语言处理中事件抽取任务的子任务,是信息抽取中的一个重要方向。给定一段文本,事件检测旨在从中检测出潜在的事件类型。目前的事件检测主流是对文本中的触发词进行识别,并判断该触发词属于哪个事件类型。这种基于触发词的事件检测方式会加大数据标注的工作开销,此外,在事件检测任务中