分类： 机械工程 >> 机械工程其他学科 分类： 计算机科学 >> 计算机应用技术 提交时间： 2017-12-26
摘要： 现有行星齿轮箱故障诊断方法存在不足：一是传统方法复杂，且不能有效诊断行星齿轮故障类型。二是基于卷积神经网络的方法主要用于诊断齿轮箱故障，很少用来诊断行星齿轮箱。为有效诊断复杂的故障类型和变工况，本文首次提出了故障树形结构、工况并列结构和多SoftMax卷积神经网络。故障树形结构能统一处理各种复杂故障类型，还能查看各个节点的诊断效果。工况并列结构能处理变工况，预测转速和载荷。采用实验室行星齿轮箱的振动数据，进行了一系列测试，表明了本方法能够准确诊断行星齿轮箱复杂故障和变工况，准确率达97%，验证了多SoftMax卷积神经网络强的泛化能力，以及故障树形结构的优势
分类： 机械工程 >> 机械工程其他学科 分类： 计算机科学 >> 计算机应用技术 提交时间： 2017-12-26
摘要： 现有轴承故障诊断方法存在不足：传统方法数学计算复杂，诊断效果不佳，且一般只诊断故障位置，难以诊断载荷及故障大小。现有的利用卷积神经网络的方法，使用传统卷积神经网络，一个网络只能输出一个属性，不能同时诊断多个属性，为了同时诊断故障位置、故障大小及载荷，首次提出了一种多属性卷积神经网络，并应用于轴承故障诊断，直接利用一维振动信号对多属性卷积神经网络进行训练。优势在于克服了传统方法的缺点：能获得故障属性任意组合的诊断结果，网络参数更少，方法简洁，泛化能力强，准确率高。采用西储大学的轴承数据，进行了一系列测试，表明本文方法能准确地诊断轴承故障的多个属性，准确率高，同时有很好的泛化能力。
分类： 机械工程 >> 机械工程其他学科 分类： 计算机科学 >> 计算机应用技术 提交时间： 2017-08-29
摘要： 轴承定性诊断的传统方法需要复杂难懂的数学知识和高深的领域知识；基于深度置信网络的方法虽然克服了传统方法的缺点，但网络参数规模巨大，训练困难；基于时频图的卷积神经网络方法需用小波变换得到时频图。由于卷积神经网络具有强大的特征学习能力和泛化能力，提出了一种基于卷积神经网络的轴承故障定性诊断方法，直接利用一维振动信号对卷积神经网络进行训练。优势在于克服了传统方法的缺点；相比深度置信网络，网络参数少很多，训练高效；也无需小波变换得到时频图。采用西储大学和本实验室轴承数据，进行了一系列全面测试，表明本文方法能准确地定性诊断轴承故障，准确率高于其他所有方法；首次通过利用西储大学的轴承数据训练的卷积神经网络准确诊断了本实验室待测轴承的故障类型，这表明该方法能实际工程运用。
点击量
待评议
点击量
下载量
评论
