【摘 要】
：
旋转机械是工业设备中的核心组件,而滚动轴承是旋转机械中最为常见的关键运动部件,滚动轴承故障轻则影响正常生产,重则产生重大生产安全事故。因此及时、准确地进行滚动轴承故障诊断具有重要意义。本文以滚动轴承为研究对象,针对基于波形的卷积神经网络（Convolutional neural network,CNN）特征提取效果不佳和训练耗时过长的问题,提出了基于小波核卷积神经网络-极限学习机（Wavelets
论文部分内容阅读
旋转机械是工业设备中的核心组件,而滚动轴承是旋转机械中最为常见的关键运动部件,滚动轴承故障轻则影响正常生产,重则产生重大生产安全事故。因此及时、准确地进行滚动轴承故障诊断具有重要意义。本文以滚动轴承为研究对象,针对基于波形的卷积神经网络（Convolutional neural network,CNN）特征提取效果不佳和训练耗时过长的问题,提出了基于小波核卷积神经网络-极限学习机（Wavelets kernel Convolutional neural network-extreme learning machine,WKCNN-ELM）的滚动轴承故障诊断方法。本文的主要研究内容如下:研究了基于CNN的滚动轴承故障诊断方法。构建了CNN故障诊断模型,确定了其最佳弃权值和Adam学习步长。实验结果表明,该方法诊断准确率达91.19%,但第一层卷积层随网络深度增加而易受梯度消失影响,导致特征提取效果不佳,使得其对内圈故障的诊断准确率仅为63%。提出了基于WKCNN的滚动轴承故障诊断方法。将CNN第一层卷积层的卷积核改进为Morlet小波核函数,构建了WKCNN故障诊断模型。利用Morlet小波与轴承故障信号波形的相似性,改善了特征提取效果。实验结果表明,该方法诊断准确率提高到98.73%,能够准确识别内圈故障,并一定程度加快了收敛速度,但Softmax分类器在网络中存在大量迭代,导致其训练耗时仍较大。提出了基于WKCNN-ELM的滚动轴承故障诊断方法。将WKCNN中的Softmax分类器改进为ELM分类器,构建了WKCNN-ELM故障诊断模型。ELM具有较少的参数且无需迭代,极大降低了模型训练耗时,且诊断准确率进一步提升。实验结果表明,该方法诊断准确率高达99.40%,训练时间相较WKCNN缩短了94%,诊断效率得到显著提高,综合性能优于其他方法。研发了一套基于WKCNN-ELM的滚动轴承故障智能诊断软件平台。该平台具有数据的展示和载入、时域频域分析、模型设置、诊断结果可视化等功能。应用结果表明,软件平台能高效、准确地诊断滚动轴承故障,诊断准确率达到99%以上,实现了滚动轴承故障诊断的自动化、智能化。
其他文献
相位编码波形是雷达探测系统中一种经典的发射波形,具备相关特性好、构造简单等优点。相位编码波形集中的互补码（Complementary Code,CC）波形集和完全互补码（Complete Complementary Code,CCC）波形集,在多普勒为零时,具备完美的非周期自相关和互相关特性,使得匹配滤波结果没有距离旁瓣,对静止目标具备优异的检测性能。然而,已有的CC和CCC波形集存在着一些局限性
下一代移动通信对能量效率、数据速率和覆盖范围等性能指标具有更高的要求,这意味着有限的频谱、能量资源与日益增长的通信业务需求之间的矛盾亟待解决。协作中继技术是解决上述问题最具潜力的方案之一。然而,参与协作的中继可能是不受信任的,此时通信系统既要中继协助转发消息又要对中继保密。因此,解决无线网络的开放性与无线通信的保密性之间的矛盾同样迫在眉睫。最近,智能超表面（Reconfigurable Intel
在数字扫描激光光片显微镜中,使用无衍射艾里光束进行照明具有抗散射和成像视场大的优点。但一般的艾里光片成像依赖于去卷积的方法来校正光束弯曲造成的图像畸变和消除不对称旁瓣造成的离焦噪声。相比于一般的艾里光片,平面艾里光片沿光束传播方向不再弯曲,旁瓣也关于焦面对称分布,不再依赖去卷积处理进行成像,这拓展了艾里光束的应用。但为了消除平面艾里光片显微镜中离焦噪声,目前主要使用非线性的双光子激发方法。本文聚焦
机器学习近几十年来一直是人工智能的一个热门领域,基于机器学习的图像生成和分类算法也得到了广泛的应用。随着大数据时代数据规模的爆炸式增长,机器学习算法所需要的计算资源也越来越多,而计算机性能的提高却即将遇到瓶颈。与经典计算相比,量子计算有着潜在的指数级优势,是有望突破计算性能瓶颈的重要方向。因此,将机器学习与量子计算相结合是使机器学习适应大数据时代的一个有效途径。将机器学习中的生成对抗网络算法或卷积
穿墙雷达凭借其穿透非金属建筑材料的能力,可在非接触和非破坏性的条件下实现对墙后或封闭室内隐蔽目标的探测、定位及成像,广泛用于民用及军事等领域。然而,墙体反射所产生的强杂波会掩盖墙后目标的反射信号,影响目标成像精度和检测性能,此外现有的穿墙雷达成像方法在模型建立和优化求解过程中存在计算代价高、人工干预过多以及成像精度低等问题。因此本文将雷达稀疏成像的优化求解策略展开到深度网络结构中,采用端到端学习策
无人机（Unmanned Aerial Vehicle,UAV）技术发展迅速,其应用成本也在不断降低,在无线通信领域,无人机可搭载多种通信设备如小基站、传感器、接收机等形成无人机通信,是新一代空天地一体化通信的重要组成部分。无人机通信具有可在空中灵活部署,3D可移动性,飞行高度足够高且与地面节点产生更高概率的视距（Line of Sight,Lo S）链路等优势,因此无人机通信已经成为当前的研究热
电磁逆散射问题研究的是根据测量到的散射场重构成像空间内介质目标的几何信息和电性能参数的空间分布。由于其固有的非线性和病态性,且随着对比度的升高和信噪比的降低其非线性和病态性显著增强,导致了求解电磁逆散射问题成为了挑战。传统优化方法可以很容易将逆散射领域知识纳入其中,并通过最小化目标函数来解决计算数据与测量数据之间的不匹配问题,进而迭代地获得良好的重构结果。然而,由于非线性迭代本质,该方法存在如何选
腔光力学的发展伴随着物理学和信息学的进步,作为量子力学重要组成部分的腔光力学是研究光力相互作用的有效平台,腔光力学在基础物理研究、量子信息学等领域都有着广泛的应用前景,然而以上的应用都有着一个重要的前提是需要机械振子处于量子基态。随着材料科学和纳米技术快速发展,许多具有高品质因子的腔光力学系统不断被提出,但依然存在着一些限制。例如系统固然存在的内部耗散、耦合环境热库的热噪声以及量子反作用力引起的系
无人机作为中继辅助无线通信已广泛应用于各类覆盖增强场景,由于无线通信自身的广播特性,信息在传播过程中会面临窃听、篡改等威胁。与传统的密码学方案相比,低复杂度的物理层安全（Physical Layer Security,PLS）技术在无线通信领域受到了更为广泛的关注。针对无人机中继网络,现有的物理层安全研究主要是降低外部窃听者的窃听速率。实际上,无人机中继网络通常是异构网络,无人机与原有的用户终端在
滑坡预测与预防是一个世界性的难题,近十几年来,随着人工智能的快速崛起,机器学习已被广泛应用于滑坡易发性预测。但是由于滑坡特征通常不相关或非线性相关,以及传统机器学习模型存在泛化能力弱、特征提取不充分等问题,导致基于机器学习的滑坡易发性预测模型存在一定的局限性。深度学习凭借其学习能力强、覆盖范围广、适应性好等特点已被广泛应用于智慧医疗、智慧城市、智慧交通、网络安全等诸多领域。本文提出了基于长短时记忆