收藏本站
收藏 | 论文排版

基于PSO优化VMD和深度信念网络的滚动轴承故障诊断研究

吴涛  
【摘要】:随着现代工业化进程的加速推进,旋转型机械设备被广泛地投入在生产使用中。滚动轴承作为旋转机械的枢纽,对旋转机械的安全运行起着十分重要的意义和价值。据安全部门统计的有关旋转机械振动故障报告表明,因机械轴承类零件引起的故障发生率超过整体的30%,所以,轴承零件在旋转机械安全运行中起着关键性作用。为了避免因为轴承零件损坏而导致的灾难情况发生,有必要开发一种能够准确对轴承数据故障振动信号进行识别的故障诊断方法。因此,本文重点从滚动轴承特征提取和故障诊断等方面对振动信号进行研究和分析,主要研究内容如下:首先,主要对滚动轴承故障诊断技术的研究背景及意义、发展和研究现状等方面的内容进行介绍。同时对滚动轴承故障诊断原理、时频特征提取和故障诊断方法等方面内容进行详细分析,为下文故障诊断相关内容提供一些理论基础。其次,本文详细介绍了变分模态分解(Variational Modal Decomposition,VMD)对信号进行分解的理论基础,同时也对粒子群优化(Particle Swarm Optimization,PSO)算法进行介绍。针对传统VMD中参数模态分解个数K和惩罚因子都是通过人为经验进行选择和确定,提出一种基于PSO优化VMD的参数K和以提高该分解方法的精度。该方法选取包络熵作为PSO的适应度函数,求取VMD参数中的模态分解个数K和惩罚因子。最后根据参数组合[K,]优化后的VMD对滚动轴承故障信号进行分解。并将本文提出的改进方法与VMD、EMD分解方法进行了对比分析,结果表明本文采用的PSO优化VMD算法的分解方法更具有优势。再次,对排列熵(Permutation entropy,PE)、多尺度排列熵(Multi-scale permutation entropy,MPE)和复合多尺度排列熵(Compound multi-scale permutation entropy,CMPE)的基本理论进行详细描述。采用高斯白噪声(White Gaussian Noise,WGN)和1/f噪声两种信号输入排列熵中,在此基础上研究嵌入维数、延迟时间以及数据长度等参数对CMPE计算的影响,从而对这些参数进行合理的分析和确定。为验证复合多尺度排列熵比多尺度排列熵更具优势,通过随机高斯白噪声数据样本计算MPE和CMPE,并进行熵值平均数值以及标准差对比和分析。从次,根据前面介绍的方法采用粒子群优化VMD和复合多尺度排列熵对轴承振动数据进行特征提取。采用故障模拟平台轴承数据对该方法进行验证,具体介绍了实验平台数据采集和处理过程。使用PSO-VMD的方法对采集得到的振动数据进行分解得到的各个IMF,计算其CMPE值并组成滚动轴承诊断的特征数据集,从而实现对滚动轴承故障特征的准确提取。最后,采用优化的深度信念网络(Deep Belief Network,DBN)对前面提取的特征进行训练,并将其输入到算法分类器中对各种状态的轴承故障模式识别。对深度信念网络和遗传算法(Genetic algorithm,GA)的基本原理及GA-DBN故障诊断方法进行介绍。使用遗传算法对深度信念网络进行优化,通过具有自适性的全局寻优的优化算法对模型参数进行优化,有效提高模型的准确率。为了验证本文所使用的优化方法进行故障诊断正确率最高,还与其他优化方法故障诊断的结果进行对比。此外还与支持向量机(Support Vector Machines,SVM)和BP神经网络算法进行故障诊断结果对比,结果表明本文采用的方法在故障诊断方面具有更高的准确率。


知网文化
【相似文献】
中国期刊全文数据库 前17条
1 王杰;郭世伟;;自适应VMD算法在滚动轴承故障诊断方面的应用[J];机电工程技术;2020年11期
2 张俊甲;马增强;王梦奇;阮婉莹;;基于VMD与自相关分析的滚动轴承故障特征提取[J];电子测量与仪器学报;2017年09期
3 秦波;孙国栋;王建国;;基于VMD与分层极限学习机的滚动轴承故障诊断方法研究[J];组合机床与自动化加工技术;2017年04期
4 秦波;王祖达;孙国栋;王建国;;VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用[J];中国测试;2017年05期
5 杨云;张昊宇;薛元贺;丁磊;;基于VMD和排列熵的滚动轴承故障诊断研究[J];组合机床与自动化加工技术;2021年06期
6 袁婧怡;宋鹏;;基于VMD和双谱的风电机组滚动轴承故障特征提取[J];华北电力技术;2017年10期
7 秦波;王祖达;郭慧莉;孙国栋;陈帅;王建国;;基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法[J];机械传动;2017年05期
8 郑近德;姜战伟;代俊习;潘紫微;;基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用[J];航空动力学报;2017年07期
9 张浩天;魏永合;矫晶晶;刘炜;;基于VMD与时间序列分析的滚动轴承故障特征提取方法[J];组合机床与自动化加工技术;2020年04期
10 刘宁;;基于VMD混合特征提取和ANFIS的滚动轴承故障诊断方法[J];煤矿机械;2020年06期
11 吕阳;廖与禾;王报祥;薛久涛;;基于VMD和CNN的滚动轴承故障定量诊断方法[J];中国科技论文;2020年07期
12 詹君;程龙生;彭宅铭;;基于VMD和改进多分类马田系统的滚动轴承故障智能诊断[J];振动与冲击;2020年02期
13 高文英;;VMD与TEO能量算子的滚动轴承故障诊断方法[J];大连工业大学学报;2020年04期
14 陈玉娟;李焕娜;;基于VMD和Teager能量增强谱的滚动轴承故障诊断方法[J];机床与液压;2016年15期
15 关晓艳;李亚;肖杨;王椿晶;;基于VMD多尺度散布熵和VPMCD的滚动轴承故障诊断方法[J];化工自动化及仪表;2021年04期
16 闫佳瑛;朱希安;;基于VMD与CNN的滚动轴承故障诊断方法[J];北京信息科技大学学报(自然科学版);2020年06期
17 熊庆;张卫华;;基于MF-DFA与PSO优化LSSVM的滚动轴承故障诊断方法[J];振动与冲击;2015年11期
中国重要会议论文全文数据库 前20条
1 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中应用[A];第九届全国振动理论及应用学术会议论文集[C];2007年
2 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年
3 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中的应用[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年
4 古莹奎;杨子茜;朱繁龙;;基于主成分分析的滚动轴承故障特征融合分析[A];2014年全国机械行业可靠性技术学术交流会暨可靠性工程分会第五届委员会成立大会论文集[C];2014年
5 和卫星;陈晓平;马东玲;;基于混沌时间序列的滚动轴承故障局部预测[A];2009中国仪器仪表与测控技术大会论文集[C];2009年
6 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年
7 陈二恒;贺德强;周继续;向伟彬;;基于小波包和形态分量分析的机车走行部滚动轴承故障诊断研究[A];第十七届中国科协年会——分3 面向智能制造的先进测控技术学术会议论文集[C];2015年
8 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年
9 贾婷;;关于自动化转动轴承检测诊断故障的调研报告[A];2019铁道车辆轮轴学术交流会论文集[C];2019年
10 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年
11 闵勇;郭一楠;闫俊荣;;基于贪心算法的滚动轴承故障诊断特征提取[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
12 李匡;胡宇丰;梁犁丽;徐海卿;;PSO算法在马斯京根法参数率定中的应用[A];中国水力发电工程学会信息化专委会、水电控制设备专委会2015年学术交流会论文集[C];2015年
13 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年
14 郭学卫;申永军;杨绍普;;基于模糊熵和包络分析的滚动轴承故障特征提取[A];第十届动力学与控制学术会议摘要集[C];2016年
15 王坤坤;尹怡欣;;基于一种改进PSO的移动机器人路径规划[A];2006年首届ICT大会信息、知识、智能及其转换理论第一次高峰论坛会议论文集[C];2006年
16 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
17 王俊锋;申永军;;高阶统计量在滚动轴承故障诊断中的应用研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年
18 唐旭东;庞永杰;李晔;万磊;;基于改进PSO的水下机器人S面运动控制[A];第二十七届中国控制会议论文集[C];2008年
19 郭万里;白锐;王春霞;;基于PSO算法的生料浆调槽过程优化控制[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
20 李明;杨承;舒宇;;一种全局收敛的神经网络PSO训练算法[A];2007'仪表,自动化及先进集成技术大会论文集(二)[C];2007年
中国博士学位论文全文数据库 前20条
1 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年
2 彭勃;基于遗传编程的滚动轴承故障诊断方法研究[D];华北电力大学(北京);2021年
3 葛慧敏;车辆滚动轴承故障诊断建模及关键技术研究[D];江苏大学;2017年
4 池永为;滚动轴承故障的振动特性分析与智能诊断方法研究[D];浙江大学;2018年
5 王洪伟;航空发动机滚动轴承故障诊断与预测关键技术研究[D];南京航空航天大学;2015年
6 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年
7 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年
8 徐剑;基于短时奇异谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2017年
9 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年
10 张景瑞;梯级水电站和水火电站群优化调度的PSO算法[D];华中科技大学;2012年
11 闫晓丽;基于数学形态学与混沌理论的滚动轴承故障诊断研究[D];华北电力大学(北京);2021年
12 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年
13 甘萌;信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究[D];中国科学技术大学;2017年
14 Ao Hung Linh(池雄岭);基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年
15 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年
16 张彦生;基于局部线性嵌入的滚动轴承故障特征提取技术研究[D];哈尔滨工业大学;2020年
17 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年
18 徐倩倩;印刷机滚动轴承故障特征提取方法研究[D];西安理工大学;2019年
19 宋广才;接头柔度参数化概念车身建模及其改进PSO算法的优化应用[D];吉林大学;2009年
20 王志阳;约束独立成分分析及其在滚动轴承故障诊断中的应用[D];上海交通大学;2011年
中国硕士学位论文全文数据库 前20条
1 吴涛;基于PSO优化VMD和深度信念网络的滚动轴承故障诊断研究[D];上海第二工业大学;2021年
2 李亚超;基于VMD的滚动轴承故障诊断方法研究[D];石家庄铁道大学;2016年
3 柳晓云;基于VMD的滚动轴承故障特征提取[D];石家庄铁道大学;2017年
4 蒲子玺;基于VMD的滚动轴承故障诊断研究[D];兰州交通大学;2017年
5 张敏;基于自适应MCKD与VMD的滚动轴承故障诊断方法[D];江西理工大学;2020年
6 彭康健;基于VMD样本熵和WOA-SVM滚动轴承故障诊断方法研究[D];昆明理工大学;2021年
7 吴姗;模糊聚类在滚动轴承故障识别中的应用研究[D];大连交通大学;2020年
8 舒陶;基于深度学习的滚动轴承故障诊断方法研究[D];广东工业大学;2020年
9 杨敏敏;基于支持向量机的滚动轴承故障诊断方法研究[D];江西理工大学;2012年
10 吕路勇;基于振动信号的滚动轴承故障诊断方法研究[D];华北电力大学(河北);2008年
11 刘俊杰;基于迁移学习的滚动轴承故障诊断方法研究[D];电子科技大学;2021年
12 王春梅;滚动轴承故障诊断技术研究[D];哈尔滨工业大学;2014年
13 俞昆;基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究[D];青岛理工大学;2016年
14 冯春生;基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2015年
15 吴美玲;滚动轴承故障巡检系统的研制与开发[D];华北电力大学(河北);2010年
16 白文广;基于虚拟仪器技术的滚动轴承故障检测系统的研究[D];华北电力大学(河北);2008年
17 聂晨;基于稀疏表示的滚动轴承故障诊断方法研究[D];沈阳理工大学;2020年
18 刘震坤;基于支持向量数据描述的滚动轴承故障诊断方法研究[D];湖南大学;2012年
19 王天一;基于正交小波优化阈值降噪方法的滚动轴承故障诊断研究[D];哈尔滨工业大学;2015年
20 廖星智;基于振动特征提取的滚动轴承故障诊断方法研究[D];昆明理工大学;2014年
中国重要报纸全文数据库 前1条
1 张浩 李加贵;VMD视觉营销在国内珠宝零售终端的运用[N];中国黄金报;2018年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978