【摘 要】
:
电动舵传动系统是装备中用于高精度、高响应控制运行轨迹的关键设备系统。舰船电动舵传动系统的传动机构受盐碱环境腐蚀,其轴承等关键零部件出现的故障将对装备安全可靠服役产生重大影响。本文以电动舵传动系统为背景,重点研究低速往复运动的模拟实验台设计及滚动轴承智能故障诊断算法。文章首先提出了针对一维振动信号的多尺度卷积神经网络智能诊断模型,利用西储大学的轴承数据集验证了其优秀性能,并基于某型电动舵传动系统工作
【基金项目】
:
“十三五”预研项目:“XXX产品故障预测建模与验证技术研究”;
论文部分内容阅读
电动舵传动系统是装备中用于高精度、高响应控制运行轨迹的关键设备系统。舰船电动舵传动系统的传动机构受盐碱环境腐蚀,其轴承等关键零部件出现的故障将对装备安全可靠服役产生重大影响。本文以电动舵传动系统为背景,重点研究低速往复运动的模拟实验台设计及滚动轴承智能故障诊断算法。文章首先提出了针对一维振动信号的多尺度卷积神经网络智能诊断模型,利用西储大学的轴承数据集验证了其优秀性能,并基于某型电动舵传动系统工作原理设计制造模拟电动操舵实验台,进而结合注意力机制及残差理论构建优化诊断模型,最终实现了模拟电动操舵实验台滚动轴承故障的精确诊断。本文的主要工作内容如下:1.基于深度学习中的卷积神经网络理论,提出针对一维振动信号的多尺度卷积神经网络模型及相关超参数设计的准则。基于西储大学滚动轴承数据集构建的多工况样本开展复杂工况对比实验,本文提出的多尺度卷积神经网络获得最佳表现,进一步说明多尺寸卷积核能发掘原始振动信号中更多尺度的特征信息,比单一尺寸卷积核更具优势。2.依据某型电动舵传动系统运行原理,设计制造低速往复运动的模拟电动操舵实验台,实现多位置滚动轴承故障植入及实时振动信号采集。利用多小波变化的多分辨分析能力,针对原始振动信号分解获得的多小波系数构建神经网络输入数据,以降低神经网络模型数据量。3.在多尺度卷积神经网络的基础上,融合注意力机制和残差理论,建立优化的诊断模型。模型将提取于一维原始信号的特征向量转化至二维特征图,利用注意力机制强化敏感信息,并利用残差理论构建更深层网络。根据收敛效果和预测概率等对比分析,优化模型的注意力模块和残差模块能够提高训练效率,聚焦故障关键信息并降低错分的概率。
其他文献
从公元3世纪开始,罗马帝国异教神庙的修建活动就趋于停滞,新建神庙的规模缩水了,献祭仪式也经历了一个衰弱的过程。异教的衰弱除了受到基督教的强势压迫,也是其自身演变的结果。
当今社会,随着生活节奏的不断加快,人们生活压力逐渐增大,现代人们很容易产生一些不良情绪,这些不良情绪如果没有及时消化会严重影响人们的精神状态和身体健康。高校学生是一个非常典型的社会群体,在面临着学业、就业等压力的情况下,很容易出现紧张、不安和焦虑等负面情绪,长期处于这样一种精神状态下极易诱发抑郁等心理疾病,严重的甚至会做出一些过激性行为,例如自残或自杀等,这些问题变得越来越普遍,受到了社会的广泛关
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像探测器,由于其具备全天时、全天候的对地观测能力,因而广泛应用于军事(如战场侦查)与民用(如海洋监视)等领域。作为SAR图像解译的重要分支,SAR图像目标识别旨在从SAR图像中根据感兴趣目标的特征,对其进行定位与识别。近年来,得益于高分辨率SAR图像较以往更加容易获取,基于深度学习的SAR自动目标识别技术也取
街景分割是分割目标为街景图像的语义分割。随着深度学习的发展,基于卷积神经网络的街景分割方法获得了巨大发展。然而,当训练数据和测试数据中存在较大的领域差距时,神经网络模型会急剧退化,这种现象被称为域偏移。为了解决该问题,本文实现了如下的研究工作和创新点:1、实现了一个基于生成对抗学习的无监督域适应街景分割算法原型。通过生成对抗学习的思想,将分割网络视为生成器,添加额外的判别器来拉近目标域与源域的输出
合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测技术可以自动标注SAR图像中舰船所在位置,其在军事和民用领域都具有重要应用价值。SAR高分辨率成像技术的不断发展,丰富了目标特征信息,为深度学习技术在SAR图像检测领域的应用提供了数据基础。SAR图像具有场景大目标小的特点,并且图像中舰船目标尺寸跨度大,舰船形态多样,多种尺度的舰船目标给检测过程增加了一定难度。
线性调频(Linear Frequency Modulated,LFM)信号,以其低截获率(Low Probability of Intercept,LPI)特性被广泛应用于各种雷达系统中,是一种应用极其广泛的辐射源信号。LFM信号的检测与参数估计算法已经相对成熟,不同的算法适用于不同的电磁场景,但它们大多只能估计LFM信号时频脊线的调制参数,而且存在估计精度与计算效率之间的矛盾。对于雷达系统中的
由于浅海声传播特性复杂多变,因此浅海环境下水声目标定位技术一直是水声学领域的热点和难点。该技术的典型代表是匹配场处理,其在海洋环境参数已知条件下通过水声传播模型生成拷贝声场,与阵列接收数据进行匹配,实现目标定位。然而在实际应用中,海洋环境参数(声速剖面、海深、海底地质参数等)存在诸多不确定性,使得拷贝声场计算不准确,导致匹配场处理性能急剧恶化甚至失效。随着计算机图形处理单元运算性能的提高以及深度学
随着人工智能和计算机视觉领域的快速发展,深度学习作为人工智能下的子学科在视觉分析任务中占据了重要位置。深度学习用包含大量神经元的神经网络来提取图像中有用的特征进行信息分析。利用深度学习的方法来进行图像分析已经形成了较为规范的分析框架,包括对网络模型的训练,学习输入到输出的关系映射,从而对未知的输入进行模式预测。该框架具有很强的通用性,通过较少的调整就能解决很多图像上类似的问题。医学是一个数据急剧增
当前,随着数据以指数形式增长,大量的信息蕴含在其中,如何有效地利用其中的有用信息,从海量文本数据中自动的抽取出有用的信息,更为具体地,如何从文本中抽取出潜在的语义关系元组则成为了关键的问题。关系元组抽取任务就是为了专门研究和解决这一问题而提出的。根据预先定义的关系的种类数目的不同,关系元组抽取任务可以分为单关系元组抽取和多关系元组抽取。在单关系元组抽取任务中,本文以情感原因对的提取为例,针对现有模
唇读,旨在通过说话者嘴唇及其周围区域的视觉信息,解码其所说文本内容,是计算机视觉领域的一个重要问题,在公共安防、健康医疗、军事情报等领域有着广泛的应用价值。近年来,深度学习技术的兴起、大规模唇读数据集的构建和计算机算力的提升极大推动了唇读研究进展,取得里程碑式的突破。本课题围绕唇部运动规律和深度网络结构特点,对基于深度学习的唇读方法进行探索研究,分别对当前主流唇读方法的特征提取前端网络和序列建模后