基于深度学习和迁移学习的滚动轴承故障诊断优化方法研究

来源 :南昌大学 | 被引量 : 0次 | 上传用户:leoncici617
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
滚动轴承广泛用于旋转机械中,其失效会导致生产率损失和较高的运行成本。因此,轴承的故障诊断对于确保高性能传动至关重要。最近,各个领域都成功开发了用于轴承故障诊断的数据驱动方法。但这些方法仍然存在很大的局限性,例如在训练数据和测试数据具有相同分布的情况下训练此类模型。这极大地限制了数据驱动模型的广泛应用,特别是基于神经网络的故障诊断模型。因为当操作环境和条件发生变化时,上述方法往往无法检测到故障。为了解决这个问题,本文研究了新颖的基于深度学习的预训练模型故障诊断方法,开发用于轴承和齿轮箱的故障诊断高性能模型。首先,针对原始信号的单一维度性,采用了时频成像的方法融合多通道传感器信号,利用深度卷积神经网络对于图像特征的捕获能力,实现基于深度学习的故障诊断方法。其次,针对目前许多基于深度学习的诊断模型对时频特征捕获能力不足,参数训练繁琐低效的问题,开发了基于预训练模型的诊断思路,通过迁移低层级模块参数权重预置网络,开放高层级模块调整网络对具体任务的适应度,不仅加快了深层卷积神经网络的收敛速度,也同时提高了针对滚动轴承的故障识别率,从而提高了故障诊断效率。该方法还降低了故障诊断模型对人工特征选择的依赖程度,通过与多种基于机器学习的诊断方法作比较发现,该方法能很好地适用于标签较少的数据样本。最后,针对深度卷积神经网络网络层数过于复杂,参数量庞大,而正确率增益却逐渐递减的问题,开发了针对基于深度学习的滚动轴承诊断网络模型的模型缩放思路。主要从深度(layers),宽度(channels)和分辨率(resolutions)入手,利用移动倒置瓶颈卷积(MBConv)优化了深度网络结构。不仅数十倍的缩减了参数量,加快了收敛速度,提高了滚动轴承故障检测精度,并显著减小深层网络的规模,提高模型的可扩展性。通过Case Western Reserve University轴承实验平台和东南大学Drivetrain Dynamic Simulator实验平台上验证了本文提出的两种方法的有效性。
其他文献
双目3D图像传感器仅能采集单个方向的立体对视频图像,无法获得全方位的深度信息,为此本文提出一种全向3D图像传感器,能够同步采集前后左右四个方向的立体对视频图像,经过硬件逻辑算法处理后,全向3D图像传感器能够输出八目同帧视频图像,也能够直接输出裸眼3D视频图像。本文完成的主要工作如下:(1)规划了全向3D图像传感器的空间布局。使用四组双目3D图像传感器布置于前后左右方位,从而构成具有全方位视野的全向
大脑状态时时刻刻在发生变化,因而脑电(electroencephalography,EEG)信号是非平稳的。新的用户在使用一个脑机接口(brain-computer interface,BCI)之前,必须经过冗长的训练采集EEG数据,用于构造BCI的分类模型。这限制了它的实用性。迁移学习是减少BCI训练时间的有效方法。通过将以前用户的实验数据迁移到一个新的用户,作为训练数据构造他的分类模型,从而减
说话人识别是根据说话人语音信号中的个性特征来辨认出说话者身份的一种生物识别技术。说话人识别系统的性能可以从多个方向来提升。例如从说话人的语音特征中选取出足够重要的特征来提升特征的可区分性;也可以使用性能较好的损失函数来训练特征提取网络。本文利用注意力模型和多度量学习来提升说话人识别系统的性能。本文的主要工作如下:1)提出了频带注意力(Frequency Band Attention)模型来对说话人
短期负荷预测是电力调度部门的一项重要工作,是安排发电机组启停的主要依据。准确的短期负荷预测可以减少电能损失,提高供电质量,因此提高预测的精确度是研究人员的重点工作。人工神经网络具有强大的非线性逼近和自主学习能力,是目前短期电力负荷预测的热门方向之一。以某地区1-6月电力负荷数据为仿真数据集,首先对数据集进行了预处理,包括缺失值补充、异常值修正和归一化处理,然后分析了负荷变化的周期性特征,并且采用自
遗留物检测作为视频监控的关键支撑技术之一有着广泛的应用。现有方法在部分场景中能够满足视频监控的需求,但仍然存在着一些问题,主要体现在以下方面。(1)传统遗留物检测算法存在着复杂场景下不能很好地解决光影变化问题,基于深度学习的遗留物检测则存在着神经网络的参数量较多问题;(2)此外,现有的基于分布式的遗留物检测在应对紧急情况,如部分服务器宕机、区域性停电等问题时,不能将剩余的服务器资源应用在更重要的任
随着时代的发展,科技的进步日新月异,机械臂已在全球工业中得到广泛应用,成为现代化工业发展不可或缺的技术之一。机械臂是一个具有多输入多输出、强耦合、时变的非线性系统,机械臂的作业环境极其复杂,因此,设计出高性能的机械臂轨迹跟踪控制策略显得尤为重要。针对机械臂模型存在部分信息未知,不确定因素较多,以及外界扰动下,本问对机械臂轨迹跟踪控制问题进行了研究。基于终端滑模控制方法、时延估计策略、神经网络控制理
随着遥感卫星技术的发展水平不断提升,一方面造成了遥感数据量增长过快并且种类繁多,这使得遥感数据难以管理。另一方面,传统遥感数据处理软件面向的是单一用户,没有考虑支持持续、并发、全自动的高性能数据处理需求,普通用户无法使用这类软件高效率的批量处理遥感数据。与此同时,遥感数据一般都是从数据中心获取,数据中心负载太大不能保证遥感数据的稳定获取。针对以上问题,本文依托于“天空地多源数据融合的崩岗新型监测、
机械臂轨迹跟踪控制的目的是机械臂按照期望轨迹运动时系统误差始终保持最小,即使存在干扰。因此,高精度、快速响应的轨迹跟踪控制是机械臂的研究重点。自由空间机械臂的位置跟踪问题,终端滑模控制因在滑模面中引入了非线性函数,使系统误差能够在有限时间收敛,在机械臂控制方向深受学者们的关注。而任务空间机械臂的控制,线性滑模控制研究的较多,但它只能确保跟踪误差渐进收敛,而不能保证有限时间收敛。然而分数阶终端滑模整
随着移动机器人的不断改进与智能化,基于多传感器融合的同时定位与建图(SLAM)系统尤其是基于视觉SLAM成为当下研究的重点领域。但是因为相机等视觉硬件存在一些问题,当移动机器人快速运动时,有部分图像纹理缺失或者部分特征信息缺失,会导致图像信息采集出现问题,特别是单目相机还会存在图像采集频率过低以及尺度不确定性等问题。惯性测量单元(IMU)是自身携带三轴加速度和角速度的一种运动传感器,两者能够为单目
智能优化算法在控制器参数整定优化领域得到了日趋广泛的应用。其中新兴的鲸鱼优化算法(Whale Optimization Algorithm,WOA)由于结构简单、参数少、搜索能力强等特点受到了广泛关注。但WOA算法由于提出时间不长,其应用研究仍在初步阶段,算法本身还存在迭代精度较低,迭代后期易陷入局部最优等缺点。本论文针对鲸鱼优化算法所存在的不足,提出一种改进的鲸鱼优化算法(LOWOA),并将其应