基于改进堆叠稀疏降噪自编码器的轴承故障诊断方法研究

发布时间：2024-06-28 19:54

　　滚动轴承作为大型机械设备的基本部件,其状态的正常与否直接影响到设备能否安全运行。若轴承在设备运行过程中出现故障,不但会造成巨大的经济损失,甚至会引发一系列灾难。因此,对滚动轴承故障诊断技术进行研究具有十分重要的实际意义。故障诊断的过程一般可分为四个步骤:信号采集、特征提取、特征选择和故障识别。其中故障的特征提取和故障识别是最终决定能否准确判断滚动轴承故障类别的重要步骤,故本文将从这两方面进行深入研究。主要工作如下:(1)对滚动轴承故障信号的特征提取方法的研究:首先针对稀疏降噪自编码器(SDA)在特征提取过程中存在的计算复杂度高、参数不易调节和训练收敛速度慢等问题,对SDA网络的损失函数进行边缘化处理,构成稀疏边缘降噪自编码器(MSDA),随后结合逐层贪婪算法得到具备深层神经网络性质的堆叠稀疏边缘降噪自编码器(SMSDA),然后将SMSDA网络与Softmax分类器结合,得到SMSDA-Softmax特征提取模型,最后利用QPZZ-Ⅱ旋转机械故障模拟实验平台模拟多种故障类型,对比实验表明,本文提出方法相比于传统的堆叠稀疏降噪自编码器(SSDA),在收敛速度以及学习精度上都有了较大提升。(...

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图3.2故障诊断实验平台

武汉科技大学硕士学位论文24图3.2故障诊断实验平台3.3.1实验数据本次实验的振动信号来源于QPZZ-Ⅱ旋转机械振动故障实验平台上，实验轴承型号为N205EM,轴承节径为39.5mm,滚动体直径为7.5mm,滚动体个数为12个,接触角为0°。信号采集传感器为IMIM626B03....

图4.2非线性支持向量机原理图

武汉科技大学硕士学位论文32图4.2非线性支持向量机原理图在给定核函数的情况下，可以采用求线性分类问题的方法对非线性分类问题进行求解。学习是隐式地在特征空间中进行，这样的技巧称为核技巧。在实际应用中，核函数的选取往往通过经验判断，本文接下来对几种常见的核函数进行了简单介绍。（1）....

图5.1滚动轴承实验平台

武汉科技大学硕士学位论文38第5章实验研究在第三章中，本文已采用实验室故障诊断实验平台证明了SMSDA-Softmax模型能够直接对滚动轴承的原始信号进行分类识别，并且在不同噪声干扰下都能取得良好的诊断效果。针对第四章提出的SMSDA-PSO-SVM模型，为了检测模型在面对多种故....

图5.3分类混淆矩阵

武汉科技大学硕士学位论文42表5.5模型主要参数名称数值输入节点1024输出层节点10稀疏性参数0.05稀疏惩罚项参数0.008边缘限制参数0.0003本次仿真实验选取含有3个隐层的SMSDA网络，其中每个隐藏层神经元数量分别选择为512-512-256。5.4.2改进支持向量机....

本文编号：3996601