论文部分内容阅读
由于许多行业对减速电机的需求正在日益提高,国内减速电机生产企业需要提高减速电机的生产效率。目前国内企业普遍使用人工检测方式对减速电机,特别是微型齿轮减速直流电机进行故障诊断,这种方式不仅限制企业的生产效率,而且容易导致误检漏检。以JL-12FN20-37型号齿轮减速直流电机为例,本文结合了电机故障诊断理论和深度学习理论,研究并实现了一套微型齿轮减速直流电机的故障检测系统,该系统是基于卷积神经网络框架实现,通过分析JL-12FN20-37型号齿轮减速直流电机的振动信号来实现高效的故障检测,具有一定应用价值。本文的工作主要包括以下三个部分:(1)振动信号的特征提取与选择:就本文所设计的故障检测系统而言,合适的JL-12FN20-37型号齿轮减速直流电机的振动信号特征是研究的关键。所以本文运用基于短时傅里叶变换,基于希尔伯特黄变换和基于1/3倍频程谱-主成分分析这三种特征提取方法对电机的非平稳时变振动信号进行特征提取。经过实验分析,通过这三种特征提取的方法所获得的振动信号特征都具备信息不冗长、区分度较高等特点,适合作为故障检测分类模型的输入特征。(2)故障检测分类模型的研究:首先本文搭建了基于支持向量数据描述的故障检测分类模型作为实验的比较基准;其次设计了两款基于深度学习的故障检测分类模型,其中一款是基于卷积神经网络的分类模型,通过改进经典卷积神经网络模型参数和加入包括误检惩罚项和多段检测在内的五种优化结构,分类模型的准确率和精确率有所提高。另外一款是基于长短期记忆神经网络的故障检测分类模型,在加入包括循环连接方向的随机失活在内的四种优化结构后,分类模型的识别性能也得到较高提升。最后通过分析对比实验结果,本文选择结果更优的卷积神经网络分类模型作为故障检测系统的分类模型。(3)JL-12FN20-37型号齿轮减速直流电机的故障检测系统的实现:首先,在系统硬件方面,本文根据硬件性能和实现要求完成了对直流电源、振动传感器等硬件设备的选型,并设计了基于弹簧减震框架的电机测量平台,有助于减少外部振动源对电机信号测量的干扰;其次,在系统软件方面,本文为故障检测系统设计了操作简便的图形用户界面;最后通过实际测试对本系统的优劣进行评价。