【摘 要】
:
近年来,随着工厂设备智能化程度提高和滚动轴承在众多工业制造场景得到广泛应用,推动了智能制造的飞速发展,但因滚动轴承缺陷而造成设备故障的事件时有发生。滚动轴承出现缺陷时会产生一系列非平稳的振动信号。传统滚动轴承故障诊断方法智能性不足,难以对故障振动信号进行准确诊断。从滚动轴承的振动信号特征与准确诊断出发,本文结合卷积神经网络在自适应提取故障信号特征方面的优势,研究了智能化的滚动轴承故障诊断方法,主要
论文部分内容阅读
近年来,随着工厂设备智能化程度提高和滚动轴承在众多工业制造场景得到广泛应用,推动了智能制造的飞速发展,但因滚动轴承缺陷而造成设备故障的事件时有发生。滚动轴承出现缺陷时会产生一系列非平稳的振动信号。传统滚动轴承故障诊断方法智能性不足,难以对故障振动信号进行准确诊断。从滚动轴承的振动信号特征与准确诊断出发,本文结合卷积神经网络在自适应提取故障信号特征方面的优势,研究了智能化的滚动轴承故障诊断方法,主要工作内容如下:1.针对传统滚动轴承故障诊断方法特征提取困难、检测准确率低的问题,提出基于残差组卷积神经网络的智能化滚动轴承故障诊断方法。首先,通过重叠采样与标准化对原始一维振动信号进行数据预处理。然后,基于残差组卷积搭建智能化故障诊断模型。该方法将残差网络与多尺度思想相结合,增强了模型对故障特征的捕获能力。实验结果表明,基于残差组卷积的滚动轴承故障诊断方法在凯斯西储大学滚动轴承公开数据集的四种恒定工况下,测试集的诊断准确率均值为99.57%;在实测滚动轴承数据集的四种恒定工况下,测试集的诊断准确率均值为98.91%。同时本文模型在两个数据集上的诊断准确率与收敛效果均优于对比模型。2.针对当前工业智能设备运行中滚动轴承的故障样本数据较为匮乏,导致故障诊断困难的问题,提出基于时频增强的滚动轴承少样本故障诊断方法,即根据振动信号特性引入连续小波变换,将一维振动信号转换为二维时频图像。通过深度卷积生成对抗网络对时频图像进行扩增,改善因训练数据少而带来的过拟合现象。再利用时序卷积综合提取时频域特征,实现少样本情形下的滚动轴承故障诊断。实验结果表明,该方法针对仅10张时频图像的情形,在凯斯西储大学滚动轴承数据集的0工况可以取得91.00%的诊断准确率均值。同时也在实测数据集的0工况样本验证了本文时频增强方法能够提升少样本情形下的故障诊断准确率。3.针对智能工厂中滚动轴承数据存储困难、算法应用局限的问题,本文实践了基于分布式的滚动轴承数据存储集群与故障诊断可视化。首先,利用Hadoop分布式技术完成滚动轴承数据存储,结合Python语言设计了滚动轴承的诊断可视化界面。实验结果表明,所搭建的分布式集群能够较好的完成滚动轴承数据存储工作,所设计的可视化界面能够进行滚动轴承振动信号的实时显示与诊断,较好的将算法与工程实际相结合。综上所述,基于卷积神经网络构建滚动轴承故障诊断模型,在实现端到端故障诊断的同时,能够显著提高诊断准确率,且模型收敛性能较优。基于时频增强的滚动轴承少样本故障诊断方法能够在少样本情形下对诊断准确率带来显著提升。基于分布式的滚动轴承数据存储集群,能够较好的完成轴承数据存储工作,且搭建的可视化界面将本文算法与工程应用相结合,支撑了滚动轴承故障诊断的智能化。
其他文献
光是影响植物生长发育最为关键的一种环境因子,具体体现在光照时间与光照方向、光强与光质等方面。在不同的光照条件下,植物的生理代谢过程中呈现出不同的变化规律与适应机制,光照既是植物潜在的胁迫因素,还是植物物质与能量的来源。植物的结构、形态及生理机能可以适应光照环境,让自身生长状态即使处于不利的光照环境下,也能够趋于最优,进而对光照资源加以有效利用。文章主要阐述植物枝叶生长过程中,光照对其及生物量的影响
为保证生鲜农产品在配送过程中的新鲜度,提出生鲜农产品冷链物流配送中心选址-路径规划建模与求解方法,旨在降低综合成本与优化配送路径。根据生鲜农产品不易储存、易腐烂的特点,提出将“高铁+冷链物流”作为一种模式应用于生鲜农产品运输中,以高铁货运容量为市场需求量,构建总成本最低和路径最优的生鲜农产品冷链物流配送中心选址-路径规划模型,分别应用普通遗传算法和改进遗传算法对模型进行求解;最后,通过重庆市实例验
近年来,随着工业通信协议在日常生活中的应用变得越来越广泛,协议实现需要进行不同程度的修改以适应日新月异的需求。每次协议栈代码被修改后,都需要进行回归测试,以确保协议栈功能不受影响。但随着协议栈功能的复杂度的增加,其回归测试成本与安全性逐渐受到重视。因此,为了在保证回归测试故障检测率的情况下缩短工业通信协议回归测试执行时间同时提高测试安全性,本文提出了一种基于多目标的工业通信协议回归测试方法,并设计
睡眠作为人体必要的生理活动,备受人们关注。在现代社会中睡眠障碍严重影响到人们的健康和生活。睡眠分期是开展睡眠相关研究的前提,是研究睡眠特点、诊断脑部疾病的重要依据。人工手动分期是一项耗时且带有主观性的任务,使用传统的机器学习方法进行睡眠分期是一项步骤繁杂、任务难度高的方法。随着人工智能的发展,在睡眠医学技术的方面,使用深度学习技术越来越具有临床价值。本文首先总结睡眠相关的技术,详细阐述了睡眠信号(
近年来,随着科技的不断发展,红外目标检测跟踪系统在人类生活的各个方面都有广泛应用,例如交通、医疗及军事等领域。红外弱小目标检测作为红外目标检测跟踪系统中重要的一环,应当能实现精准且快速的检测。但在实际应用中,红外弱小目标通常具有信号弱、所占面积小、纹理特征不明显、信杂比较低等特点,同时目标常被淹没于各种复杂背景之中,这些都会导致相关算法的检测率较低,虚警率偏高,因此需进一步提升现有检测方法的性能。
现代科技逐渐往信息化、数字化和智能化的方向发展,工业制造设备也变得越来越复杂。其中,电机作为重要的动力输出装置,长期运行会出现磨损和老化,导致电机故障的发生。随着故障的自然累积,将减少电机寿命,增加运营成本。因此,研究电机的智能故障诊断方法,对生产设备运行的稳定性和可靠性具有重要意义。目前,电机的故障诊断大多是依靠专家已有的相关诊断经验和知识。然而,这些诊断知识零散且缺乏相关规范和行业标准,对电机
随着信息技术的高速发展,物联网上的海量数据呈爆炸式增长。为了解决物联网用户(个人、设备或系统)信息超载的问题,物联网推荐系统被广泛应用于智能家居、智能制造和智慧城市等领域。本文在对目前推荐系统中主流推荐算法深入研究的基础上,针对主流的协同过滤推荐算法在面临冷启动和数据稀疏问题时性能明显下降的问题,将知识图谱引入推荐系统,提出一种基于知识图谱的协同过滤推荐算法,并命名为Dual KG-CF。经实验验
高级辅助驾驶系统在减小交通事故发生率,提升行车安全性等方面发挥着重要作用,能够有效改善日益严重的交通问题,已被广泛应用于智能汽车领域。车道线检测技术作为智能汽车的环境感知手段,为路径规划,车道保持,车道偏离预警等辅助驾驶功能提供道路车道线信息,是高级辅助驾驶系统的核心技术之一。传统的车道线检测方法依靠手工设计的模板来提取车道线特征,需要良好的特征匹配,无法适应光照条件变化的场景,鲁棒性较差。而基于
交通标志检测是自动驾驶和辅助驾驶中使用的核心技术之一,也是近年来学术界研究的热门领域。交通标志检测通过环境感知设备来收集车辆周边路况及交通标志信息,然后传送给系统作判断,从而自动或辅助驾驶员排除可能出现的险情,减少交通事故的发生。但由于交通标志自身较小的特点以及实际交通场景中数据不可避免地受到光照和遮挡的影响,想要实现准确地检测仍存在一定的困难。同时交通标志检测对于检测模型的计算参数和检测时间也有
新能源汽车核心技术中整车控制器VCU、电机控制器MCU和电池管理系统(BMS)是最重要的三大核心技术,对整车的动力性、经济性、可靠性和安全性等有着重要影响。电能的消耗是新能源汽车重要指标,整车控制系统的唤醒休眠控制策略决定着整车静态电流大小以及总线各部件的休眠唤醒逻辑对其他部件的影响,严重会导致整车馈电;整车模式切换控制新能源三电之间的逻辑交互,整车上下电、异常处理、整车充电、整车行驶控制都依赖于