考虑域影响的旋转机械故障诊断方法研究

来源 :吉林大学 | 被引量 : 0次 | 上传用户:aska1982st
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
故障诊断技术作为保障设备可靠性、安全性和可维护性的关键技术,受到了国内外的广泛关注。基于数据驱动的故障诊断方法通过对表征设备状态的大数据信息进行挖掘和分析,实现设备的实时、智能化的故障诊断成为当前研究的热点。国内外许多学者提出了诸多基于数据驱动的故障诊断方法,但仍存在如下问题:(1)当设备发生故障时,传感器采集到的用于表征旋转机械设备运行状态的振动信号具有非线性、非平稳、非周期特性,难以准确提取到反映设备健康状态的关键特征。(2)基于深度学习的故障诊断方法虽然可实现端对端的自动提取故障特征,但其对训练样本的数量要求较高;另外训练模型由于包含大量待训练的权重参数和偏置,导致诊断效果受样本数量的影响较大,训练时间较长。(3)现有的故障诊断方法通常假设故障样本为同分布,而实际工程中机械设备多处于正常运行状态,其故障样本稀少;加之设备型号、运行工况、故障程度存在较大差异,因此,故障样本难以服从同分布。综上,开展旋转机械的跨域故障诊断方法研究具有重要理论意义与工程价值。针对以上问题,以轴承、齿轮和电主轴三类零件和部件为应用对象,以数据驱动的故障诊断方法为基础,开展了系统深入研究。主要研究内容如下:(1)将结合的集成经验模态分解(EEMD)和多尺度排列熵(MPE)作为特征提取器,以结合的遗传算法(GA)和反向传播神经网络(BP)作为模式识别器,提出双重优化的故障诊断方法。通过合理选取方法的参数和模型结构,从非线性、非平稳、非周期特性的故障信号中提取故障特征,提高了故障识别的准确率。首先,结合EEMD和MPE方法,从多个不同尺度上提取表征设备健康状态的关键特征节点,搭建特征向量集。采用BP方法对故障特征进行分类识别,采用遗传算法选择和优化反向传播算法的初始参数。最后,通过案例应用验证所提双重优化的故障诊断方法的适用性。(2)针对基于深度学习的故障诊断方法内部参数多、训练时间长及变工况下诊断精度下降的问题,综合考虑深度学习模型所需训练参数数量对计算时间的影响以及源域和目标域的工况差异对模型稳定性的干扰,提出具有域适配能力的少参数卷积神经网络(CNN)的故障诊断方法。基于轻量化策略优化卷积神经网络的布局,采用自适应批量归一化方法(Ada BN)优化批归一化层(BN),实现高精度、低成本的跨域故障诊断。最后利用轴承故障数据、齿轮故障数据和电主轴故障数据验证所提方法的鲁棒性和自适应性。(3)开展了基于非同分布故障样本的单源域跨域故障诊断方法研究。针对由于不同负载工况导致故障数据的同分布假设难以成立的问题,提出基于多层自适应卷积神经网络的跨域故障诊断方法。通过学习源域故障样本中蕴含的共性判别知识,提升所提方法对源自不同负载工况目标域的泛化性能,提高单源域跨域故障诊断方法的域自适应能力。结合优化的卷积神经网络构架、自适应批量归一化(Ada BN)和多核最大均值差异(MKMMD)方法,通过调整所提方法在特征提取阶段中所有批归一化层的统计信息、全连接层中来自源域和目标域的高维特征向量的距离,实现方法的深度域自适应。最后,利用两类轴承故障数据验证所提的方法适用性。(4)针对从同一机械设备上难以获得大量的单一工况、有标记故障数据的问题,提出了基于最大分类器差异(MCD)的多源域跨域故障诊断方法。借助对抗学习的方式,从同一设备的多工况来源或同工作原理但不同设备来源的故障数据中提取具有模式判别能力且不受域变化干扰的诊断特征,继而将其应用于目标域的故障诊断。考虑不同来源数据的分布域具有明显的不同,以源域和目标域样本在两个分类器中的概率输出之差的绝对值最小化为目标,采用特征提取器和具有双分类器的卷积神经网络进行对抗训练,实现特征提取器能够从多源域和目标域中提取域不变特征、分类器能够准确对目标任务进行模式识别。由于本方法依赖于分类器对源域样本的精准分类,为减少分类边界附近的模糊特征的产生、逼迫分类器的决策边界远离数据密集区域,提出基于条件熵和KL散度优化的交叉熵损失函数,提高了对源域数据的故障诊断精度。最后,利用轴承和齿轮的故障数据验证所提方法的适用性。
其他文献
近年来太赫兹技术在军事保密通信、高分辨率成像、高精度无损探测等多个重要领域的应用备受关注,太赫兹系统应用的高增长极大的刺激了高性能太赫兹器件与电路的需求。太赫兹固态技术是实现高频率、高集成度、高可靠性系统的重要基础,半导体器件是太赫兹固态技术得以快速发展的关键因素,其中以磷化铟双异质结双极性晶体管(InP DHBT)最具有代表性:InP DHBT具有优异的高频特性及功率特性,是目前太赫兹固态技术领
河口湿地因其独特的海陆交汇区位、生态脆弱性和环境梯度异质性,成为全球变化的敏感区。河口湿地同时受陆地和海洋的双重调控及径流-潮流影响,生物组成多样,食物网结构复杂,是营养级联效应的典型生态系统。作为敏感的生态系统,河口湿地受到自然和人为因素的双重影响,堤坝建设、人为恢复活动、石油开采和外来物种入侵等,都导致自然水文连通度、连通方式和水文节律的改变,造成生态系统退化,生物多样性锐减,影响河口湿地结构
水稻驯化是人类活动影响下的生物进化过程,与人类生存息息相关。阐明水稻驯化驱动的根际微生物组群落结构和功能变化规律,进而应用于改良、重组和构建栽培稻根际微生物组是农业发展重要增长点。现代栽培稻包括亚洲栽培稻(Oryza sativa)及非洲栽培稻(O.glaberrima),由不同的野生种驯化而来,且独立起源于亚洲和非洲。本研究共以12种具有遗传关系的野生稻及栽培稻品种为研究对象,通过长期定位试验及
水稻孕穗期低温胁迫会破坏生殖器官功能,使花药发育受损、花粉育性降低,最终导致水稻结实率下降、产量降低。黑龙江省是我国重要的水稻商品粮区,水稻产量约占全国的1/9。黑龙江省是我国最北部的水稻种植区,孕穗期冷害频繁发生,严重的威胁了当地水稻的生产。由于孕穗期耐冷表型鉴定上存在困难,目前只有少数孕穗期耐冷基因被鉴定出来。因此,挖掘更多的孕穗期耐冷基因,解析其调控机制具有十分重要的现实意义。本研究鉴定到了
聚类分析是一种重要的数据挖掘技术。它的目标是挖掘数据中的簇,使得在同一簇中的数据比在不同簇中的数据更相似。研究者已经提出了一系列聚类算法并把它们广泛应用于图像分割、信息检索、数据压缩和生物信息学等领域。近年来,随着大数据、区块链和人工智能等一系列新兴技术的快速发展,在互联网、科学研究和工业生产等领域积累了大量复杂结构数据,比如形状不规则数据、密度不均匀数据等。聚类这些数据给传统的聚类算法提出了严峻
随着近年来物联网设备数量的爆发式增长,现有的正交多址接入(Orthogonal Multiple Access,OMA)技术,如时分多址接入、频分多址接入、码分多址接入等,已经无法满足未来无线通信网络对海量物联网设备接入和高频谱效率的需求。因此,亟需研究新型多址接入技术。与OMA技术相比,非正交多址接入(Non Orthogonal Multiple Access,NOMA)技术允许多个用户同时占
金刚石具有超宽禁带(5.5 eV)、高热导率、高本征迁移率、高击穿电场、高饱和速度、和低介电常数等特性,在微波功率和电力电子器件领域有着巨大的应用潜力。氢终端和硅终端是两种分别利用氢和硅原子修饰金刚石表面的终端技术,与其他终端技术相比,二者分别具有载流子浓度高和绝缘膜/金刚石界面质量好等特点。采用氢终端和硅终端金刚石作为器件沟道制成的金属-氧化物-半导体场效应晶体管(Metal-oxide-sem
位置信息作为数字世界和物理世界交互的泛在连接,提供了重要的感知信息,和人们的生产生活密切相关。近年来,位置服务的相关技术和产业正从室外向室内/地下等更加复杂的空间发展,以提供无所不在的基于位置的服务。然而传统的基于单一信源和参数化定位的方式面临着信号观测空间有限、多径干扰、非视距传播等棘手问题,环境适应能力、精度和稳健性都较差,迄今为止尚未有任何一种方案能够提供泛在、无缝、智能的定位服务。随着物联
作为信息交流的重要载体之一,图像在人们日常生活中扮演着重要的角色,且已经被广泛应用于疾病诊断、军事监测和矿产勘探等多个领域。随着互联网和多媒体技术的飞速发展,图像的获取也变得越来越容易。然而,图像在获取的过程中往往会受到成像机理、成像设备和成像条件等限制,使得图像中存在各类退化现象,这不仅降低了其视觉质量,而且严重限制其在后续应用中的实用价值。图像复原旨在从降质图像中估计反演真实场景的清晰、高质量
隐写是一种重要的信息保护技术,与传统的加密方式不同,它将秘密消息隐藏在载体中,使得非授权方难以识别秘密通信的存在。由于数字图像信息冗余多且被广泛使用,以数字图像为载体的隐写常被用作信息保护的重要手段。然而,隐写分析技术的快速发展给隐写方法的安全性带来了极大的挑战。传统的隐写方法依赖于难以构建的复杂的人工规则,很难适应于当前隐写分析的发展。因此,研究新型隐写方案以抵抗隐写分析,具有十分重要的意义。隐