基于核自动编码器的中介轴承故障诊断研究
发布时间：2023-12-27 18:37
中介轴承作为航空发动机的关键部件之一,其运行状态与发动机整体的性能密切相关。受发动机双转子系统复杂多变的工况的影响,中介轴承振动故障频发,因此研究航空发动机中介轴承的故障状态并进行诊断具有重要的意义。本文以中介轴承振动信号为研究对象,采用深度神经网络作为诊断方法,针对自动编码器网络分析中介轴承原始信号能力不足的问题,提出核自动编码器作为改进方法。论文研究内容概括如下:(1)论述课题的研究背景与选题意义,介绍滚动轴承与航空发动机中介轴承故障诊断方法的研究进展,并且对深度学习方法在滚动轴承领域的应用情况进行分析。介绍了三种典型的深度学习基本模型,并对堆叠自动编码器进行了深入的研究,探讨模型预训练与微调的网络结构。采用频域特征作为输入,应用堆叠自动编码器对中介轴承典型故障进行诊断,结果显示相较于传统浅层模型,深度神经网络可以得到更好的诊断结果。(2)针对堆叠自动编码器模型处理含噪声较多的原始信号能力的不足,结合核函数方法提出核自动编码器,并构建堆叠核自动编码器网络,分别以原始信号、频域特征、混合域特征作为输入验证模型的有效性。针对所提出核自动编码器泛化性差与参数选择困难的问题,提出了添加L2...
【文章页数】：96 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题背景及研究意义
1.2 国内外研究现状
1.2.1 滚动轴承故障诊断研究现状
1.2.2 航空发动机中介轴承故障诊断方法研究现状
1.2.3 深度学习在轴承故障诊断研究现状
1.3 论文研究内容与组织结构
2 基于深度神经网络的中介轴承故障诊断
2.1 人工神经网络概述
2.2 深度学习基本模型
2.2.1 卷积神经网络
2.2.2 受限玻尔兹曼机
2.2.3 自动编码器模型
2.3 堆叠自动编码神经网络
2.3.1 模型结构
2.3.2 无监督逐层预训练
2.3.3 有监督参数微调
2.4 基于堆叠自动编码器的中介轴承故障诊断
2.4.1 堆叠自动编码器诊断方法流程
2.4.2 中介轴承试验台介绍
2.4.3 网络参数研究
2.4.4 故障诊断结果分析
2.5 本章小结
3 基于核自动编码器的中介轴承故障诊断
3.1 核自动编码器
3.1.1 核方法
3.1.2 核自动编码器
3.2 基于KAE的深度网络模型故障诊断方法
3.2.1 基于SKAE的深度网络模型
3.2.2 中介轴承故障诊断结果分析
3.2.3 故障特征提取能力分析
3.3 基于KDAE的深度神经网络故障诊断方法
3.3.1 核去噪自动编码器
3.3.2 正则化
3.3.3 基于混沌的改进萤火虫算法
3.3.4 基于KDAE的深度网络模型
3.3.5 中介轴承故障诊断结果分析
3.4 本章小结
4 基于KSAE与KELM的中介轴承故障诊断
4.1 Morlet小波核稀疏自动编码器
4.1.1 Morlet小波核函数
4.1.2 核稀疏自动编码器
4.2 数据降维方法
4.2.1 主成分分析
4.2.2 局部保持投影
4.3 核极限学习机
4.3.1 极限学习机
4.3.2 核极限学习机
4.4 基于KSAE与KELM的故障诊断模型
4.5 航空发动机中介轴承故障诊断
4.5.1 故障诊断结果对比分析
4.5.2 特征融合结果对比分析
4.5.3 分类模型结果对比分析
4.6 本章小结
5 中介轴承故障诊断系统开发
5.1 航空发动机中介轴承故障试验台
5.1.1 中介轴承试验台介绍
5.1.2 中介轴承介绍
5.1.3 中介轴承典型故障试验
5.2 系统开发环境
5.2.1 硬件开发环境
5.2.2 软件开发环境
5.3 基于深度神经网络的中介轴承系统开发
5.3.1 轴承状态监测系统
5.3.2 振动数据离线分析系统
5.3.3 基于深度KDAE模型诊断系统
5.3.4 基于深度KSAE与KELM模型的诊断系统
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
本文编号：3875685
【文章页数】：96 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 课题背景及研究意义
1.2 国内外研究现状
1.2.1 滚动轴承故障诊断研究现状
1.2.2 航空发动机中介轴承故障诊断方法研究现状
1.2.3 深度学习在轴承故障诊断研究现状
1.3 论文研究内容与组织结构
2 基于深度神经网络的中介轴承故障诊断
2.1 人工神经网络概述
2.2 深度学习基本模型
2.2.1 卷积神经网络
2.2.2 受限玻尔兹曼机
2.2.3 自动编码器模型
2.3 堆叠自动编码神经网络
2.3.1 模型结构
2.3.2 无监督逐层预训练
2.3.3 有监督参数微调
2.4 基于堆叠自动编码器的中介轴承故障诊断
2.4.1 堆叠自动编码器诊断方法流程
2.4.2 中介轴承试验台介绍
2.4.3 网络参数研究
2.4.4 故障诊断结果分析
2.5 本章小结
3 基于核自动编码器的中介轴承故障诊断
3.1 核自动编码器
3.1.1 核方法
3.1.2 核自动编码器
3.2 基于KAE的深度网络模型故障诊断方法
3.2.1 基于SKAE的深度网络模型
3.2.2 中介轴承故障诊断结果分析
3.2.3 故障特征提取能力分析
3.3 基于KDAE的深度神经网络故障诊断方法
3.3.1 核去噪自动编码器
3.3.2 正则化
3.3.3 基于混沌的改进萤火虫算法
3.3.4 基于KDAE的深度网络模型
3.3.5 中介轴承故障诊断结果分析
3.4 本章小结
4 基于KSAE与KELM的中介轴承故障诊断
4.1 Morlet小波核稀疏自动编码器
4.1.1 Morlet小波核函数
4.1.2 核稀疏自动编码器
4.2 数据降维方法
4.2.1 主成分分析
4.2.2 局部保持投影
4.3 核极限学习机
4.3.1 极限学习机
4.3.2 核极限学习机
4.4 基于KSAE与KELM的故障诊断模型
4.5 航空发动机中介轴承故障诊断
4.5.1 故障诊断结果对比分析
4.5.2 特征融合结果对比分析
4.5.3 分类模型结果对比分析
4.6 本章小结
5 中介轴承故障诊断系统开发
5.1 航空发动机中介轴承故障试验台
5.1.1 中介轴承试验台介绍
5.1.2 中介轴承介绍
5.1.3 中介轴承典型故障试验
5.2 系统开发环境
5.2.1 硬件开发环境
5.2.2 软件开发环境
5.3 基于深度神经网络的中介轴承系统开发
5.3.1 轴承状态监测系统
5.3.2 振动数据离线分析系统
5.3.3 基于深度KDAE模型诊断系统
5.3.4 基于深度KSAE与KELM模型的诊断系统
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
本文编号：3875685
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3875685.html