【摘 要】
：
随着工业智能化,机械设备结构日益复杂,机械设备的健康状态监测成为重要的研究方向。滚动轴承作为设备的关键部件,成为重要的监测对象。机械设备工况的复杂多变,对故障状态诊断方法提出了更高的要求。论文针对状态特征提取困难,提出了基于振动信号分解及熵值的特征提取方法;针对故障诊断精度低,提出了基于改进极限学习机（Extreme Learning Machine,ELM）的故障诊断方法。论文主要研究内容如下:
论文部分内容阅读
随着工业智能化,机械设备结构日益复杂,机械设备的健康状态监测成为重要的研究方向。滚动轴承作为设备的关键部件,成为重要的监测对象。机械设备工况的复杂多变,对故障状态诊断方法提出了更高的要求。论文针对状态特征提取困难,提出了基于振动信号分解及熵值的特征提取方法;针对故障诊断精度低,提出了基于改进极限学习机（Extreme Learning Machine,ELM）的故障诊断方法。论文主要研究内容如下:首先,研究了基于改进的完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition,CEEMD）算法的振动信号分解及熵值的特征提取方法。针对CEEMD算法分解模态中存在噪声及模态混叠问题,将对加入特殊噪声后的信号计算局部均值作为残差,引入排列熵检测分量中异常信号,提出了排列熵改进的完备集合经验模态分解（Permutation Entropy Improved Complete Ensemble Empirical Mode Decomposition,PEICEEMD）的分解算法。该方法可有效分解轴承振动信号,有效避免了模态混叠问题。为了提取完备的振动信号特征,结合模糊近似熵和加权排列熵的优势,提出了将本征模态函数（Intrinsic Mode Function,IMF）的混合熵（Hybrid Entropy,HE）值作为特征向量。通过实验证明该方法提取的轴承信号特征更完备,有利于后续故障诊断。其次,进一步对故障振动信号分解研究,由于自适应局部迭代滤波参数由人为经验设定影响分解效果,提出了利用改进的正弦余弦算法（Improved Sine Cosine Algorithm,ISCA）寻找参数最优解得到改进的自适应局部迭代滤波（Improved Adaptive Local Iterative Filtering,IALIF）对信号分解。通过实验证明该方法更能有效分解轴承振动信号。针对排列熵忽略有关信号的振幅信息及无法表示突变信号,在振幅感知排列熵的基础上引入瑞丽熵,提出了振幅感知瑞丽排列熵作为特征向量。通过实验证明该方法有效地检测出了冲击信号,对振幅变化更敏感。再次,针对故障分类的ELM模型算法中的权值和阈值随机产生影响分类准确率,研究了鲸鱼优化算法对ELM算法的权值和阈值寻优;针对鲸鱼优化算法容易陷入局部最优,提出自适应鲸鱼优化算法（Adaptive Whale Optimization Algorithm,AWOA）算法利用自适应权重改进其寻优步长。实验证明AWOA-ELM方法能够有效识别分类,并具有优越性。最后,针对美国凯斯西储大学轴承实验平台数据、德国Paderborn大学研究中心的轴承数据、上海宝钢热轧机实际轴承数据作为仿真和测试的对象。利用论文研究的方法分别对不同故障类型及同种故障类型不同损伤尺寸的数据进行特征提取和故障诊断。通过实验结果可知,该研究的方法取得良好的诊断效果,具有实用性和优越性。
其他文献
随着人工智能的兴起,以脑机接口（Brain Computer Interface,BCI）为桥梁的脑神经科学研究正迅速展开。其中对虚拟现实场景下空间认知脑电信号的分析成为该领域研究热点,通过空间认知训练前后脑电信号变化可以有效评估认知能力训练效果。目前,在空间认知脑电信号研究方面取得了不少进展,主要包括脑电信号的特征提取以及后续的数据分类。但是仍然存在着不足,主要体现在计算不同通道之间的耦合特征强
近年来,因果特征选择已逐渐成为机器学习和因果发现领域的研究热点。它通过将特征预测与因果发现联系在一起来识别目标属性（Target attribute,T）的马尔可夫毯（Markov Blanket,MB）。本文针对当前因果特征选择无法应用于动态特征空间,而面向流特征的特征选择无法挖掘出T的MB或只识别出T的PC集（Parents and Children）的问题,从在线学习MB的角度,提出一个面向
近年来,随着人工智能技术的不断发展,研究者在单智能体深度强化学习领域取得了许多优秀的成果。为了解决复杂的团队任务,研究人员将深度强化学习方法应用到了多智能体领域。地标覆盖任务是最常见的多智能体协同问题之一,在国防、物流、车间等领域均有重要应用。多智能体系统中,内部智能体同时与环境交互,且智能体之间相互影响,受邻居智能体的位置、运动速度等因素影响较大,导致很多单智能体深度强化学习算法在多智能体系统中
基于深度网络的图像分类技术性能大幅提升,使得计算机视觉迈入产业化阶段,逐步应用于人类工作和生活多方面。人体行为识别作为计算机视觉中典型的分类任务,在医疗、家庭、交通运输等多种场景下的潜在价值不可估量。本文从行为识别的应用方向出发,分析了日常行为中的跌倒动作以及相似动作,运用深度学习的方法设计了针对跌倒动作、相似动作的行为识别方法。首先,提取了FallFree骨架数据集,借助Kinect Studi
随着软件在日常生活中的广泛使用,软件安全问题正逐渐引起人们的重视。其中缓冲区溢出漏洞在软件安全中最常见也是最严重的一种漏洞。缓冲区溢出漏洞会导致权限被非法获取,信息被窃取,系统瘫痪等一系列危害。为了能有效的检测出缓冲区溢出漏洞,本文提出一种基于深度学习的缓冲区溢出漏洞检测方法。本文主要工作如下。首先,针对软件缓冲区溢出漏洞进行研究,针对缓冲区溢出漏洞可疑代码,构建了抽象语法树。基于缓冲区溢出漏洞可
随着社会的发展,针对复杂网络社区发现算法的研究逐渐深入,社区发现算法在推荐领域、信息传播、精准营销等方面都有着很大的价值。标签传播算法因为其简易性和效率高而受到研究学者的青睐,然而标签传播社区发现算法存在稳定性差、准确率低的问题。针对上述问题,本文分别在静态社区和动态社区上提出了基于标签传播思想的社区发现算法。首先,针对标签传播算法稳定性不足,提出了融合标签熵和k-shell的标签传播重叠社区发现
机械装备结构日益复杂、自动化,对设备安全性和可靠性的要求也越来越高,机械故障的检测和诊断显得尤为重要,基于振动信号分析的数据驱动类方法得到了广泛研究。但多数智能故障诊断方法的应用基础为训练数据与测试数据同分布,而实际中复杂工况的影响使得理论方法的诊断效果受到较大影响。迁移学习的引入为解决不同数据分布下的轴承故障诊断问题提供了新思路。该文主要研究了基于深度迁移学习的轴承故障跨域诊断方法。首先,考虑到
现代大型机械装备日趋复杂化、智能化与精密化,轴承作为多数机械装备的重要构成部分,一旦出现机械故障,所造成的损失与影响将相当巨大,准确的轴承故障诊断在机械健康管理中起着关键作用。近年来深度学习方法的引入为故障诊断及预测提供了新思路和新方法,该文主要研究了基于深层卷积神经网络与迁移学习的轴承故障诊断方法。首先,针对难以从原始轴承数据中获取全面的信息,以及经深度学习模型提取的大量特征对故障模式分类的重要
在公路路面检测与养护智能化的要求下,智能AI技术被广泛运用于我国公路的病害检测和预防养护上,它可以快速准确地分析采集到的影像,对公路路面病害进行智能识别,提高了公路养护的效率。基于此,通过研究分析AI智检在公路路面病害的检测与预防养护的应用,提升公路路面检测工作的效率和质量。
近红外光谱技术是一种具有绿色、快速、无损优势的检测技术，其在白酒行业中的应用越来越广泛。介绍了近红外光谱技术的工作原理及优势，主要介绍了近红外光谱技术在白酒行业中酿酒原料、酿酒大曲、发酵酒醅、半成品及成品酒检测方面的研究应用及在线检测及时的开发研究，分析了该技术在白酒行业应用推广过程中存在的问题，并展望了其应用前景。