6篇关于滚动轴承的计算机毕业论文

今天分享的是关于滚动轴承的6篇计算机毕业论文范文, 如果你的论文涉及到滚动轴承等主题,本文能够帮助到你

基于深度迁移学习的滚动轴承故障诊断研究

这是一篇关于滚动轴承,故障诊断,深度迁移学习,域适应,联合分布自适应的论文, 主要内容为滚动轴承广泛应用于铁路车辆、风力涡轮机、航空发动机等旋转机械,这些轴承的运行环境相较于其他部件更为复杂和恶劣,其接触表面容易产生一些局部缺陷,缺陷的产生和发展将对整个设备的运行安全构成一定威胁,可能带来巨额的经济损失,甚至造成重大事故。因此,对其进行实时的状态监测和智能诊断具有重大意义。在数据驱动下的轴承故障诊断中,需要大量的标注数据进行模型训练。然而,在实际工业场景中,获取足够多的有标签数据是不现实的,且用于训练和测试的数据往往具有不同的分布。为了解决上述问题,深度迁移学习将深度学习的优势和迁移学习的优势相结合并且互相弥补了两者的缺陷,成为智能诊断中的热门方向。因此,本文首先研究了深度迁移学习中用于特征提取的网络结构,将该网络作为迁移模型的特征提取器,研究了深度迁移学习中的域适应方法,为滚动轴承的智能诊断提供新的思路。论文的第二章介绍了迁移学习的问题定义和深度学习中神经网络的结构和基本组成。论文的第三章分别使用一维的Le Net、Alex Net、WDCNN、Res Net-18为诊断模型主干对凯斯西储大学公开数据集的单一工况数据进行故障分类,探索了部分参数对诊断效果的影响,验证了WDCNN作为特征提取器的优越性。通过减少网络层,进一步改进了WDCNN网络结构,使其保证诊断精度的同时提高了训练速度,为后续深度迁移学习的研究提供了性能优秀的特征提取器。论文的第四章考虑了对数据间联合分布的度量,提出了一种基于联合分布自适应的多层域自适应网络模型。该模型在特征提取阶段用改进后的WDCNN作为特征提取器,在域适应阶段用同时包含边缘分布和条件分布的联合最大均值差异作为度量准则,并在全连接层使用多层联合最大均值差异以增强模型稳定性。在德国帕德博恩大学公开数据集和高速列车单轴滚振实验数据上进行了跨工况迁移实验,验证了该方法的有效性和优越性。论文的第五章考虑了边缘分布和条件分布间的相对重要性的影响,提出了一种平衡深度迁移网络模型。该模型在特征提取阶段同样使用WDCNN作为特征提取器,在域适应阶段使用最大均值差异度量数据间的边缘分布,使用软伪标签计算数据间的条件分布,引入平衡因子来权衡两者的相对重要性。在凯斯西储大学公开数据集和高速列车单轴滚振实验数据上进行跨测点的迁移实验,验证了该方法的有效性和优越性。

基于盲源解卷积与架构搜索的滚动轴承故障诊断方法研究

这是一篇关于故障诊断,滚动轴承,最大二阶循环平稳性盲源解卷积,深度学习,可微神经架构搜索的论文, 主要内容为随着科学技术进步,工业生产自动化程度逐渐加深,对机械设备可靠性提出了更高的要求,使故障诊断技术受到越来越多的关注。滚动轴承是机械旋转运动的核心零件,对滚动轴承健康状态进行监测与诊断具有重要意义。传统故障诊断技术需要人工手动提取特征,存在检测效率低、应用环境要求高以及误判概率大等问题,而使用机器学习算法对轴承健康状态进行分类时,效果易受噪声影响,并且算法模型需要根据实际调整。基于上述分析,本文提出了一种结合自适应二阶循环解卷积算法及改进可微神经架构搜索算法的滚动轴承故障诊断算法,实现轴承振动信号前处理及分类模型的自适应构建,并搭建故障试验平台,以验证算法有效性,最后基于算法开发了一套滚动轴承故障诊断系统。主要研究内容如下:1.基于盲源解卷积方法参数少、效率高的特点,本文选取最大二阶循环盲源解卷积算法对信号进行降噪处理,并对其改进,以实现算法对轴承状态的自适应。首先构建滚动轴承仿真信号,分析算法主要参数对算法性能的影响;然后根据算法主要参数对性能影响耦合性低的特点,提出分步优化策略,以轴承运转的主轴转频作为初始循环频率,基于模糊熵及鲸鱼优化算法对滤波器长度寻优,根据故障轴承振动信号特点,设计综合冲击性指标对循环频率步长寻优,实现了算法参数的自适应选择;最后使用公开数据集作研究对象,对轴承各类故障进行了深入实验,并对比同类方法,验证算法有效性。2.针对人工诊断效率低及智能分类模型需根据手动调整的问题,本文引入可微神经架构搜索自适应构建分类网络,提出了一种基于特征汇聚的多重寻优神经架构搜索方法。首先针对滚动轴承信号特点,将信号时频特征及高阶谱等特征融合生成图片以提升模型对冲击性特征的灵敏度;针对可微架构搜索结构与参数非同步寻优的缺陷,提出了多重寻优策略;根据多重寻优策略生成不常用操作列表,依此列表对操作空间进行缩减后训练新网络,以原模型对缩减操作空间后的训练模型进行知识蒸馏操作,加快模型收敛的同时减小模型大小;与自适应盲源解卷积算法结合,实现高精度轴承故障分类模型的自适应构建;搭建轴承故障试验平台,采集振动信号,通过将与其他常用方法扩展对比,验证所提算法有效性。3.针对实际生产需要,开发了一套滚动轴承诊断系统。首先根据使用功能需要,对软件整体结构、数据库结构及信息交互逻辑进行了设计;然后选择采集驱动,实现对传感器管理功能及软件的信号采集功能,编写完成了软件内部的信息管理逻辑及用户交互界面;最后将多种信号后处理算法嵌入软件,根据算法特点,基于C语言重构及进程通讯等技术实现多语言混合编程,并将改进自适应盲源解卷积及改进可微神经算法等嵌入该软件中。该软件支持工业使用,可实现轴承状态的实时监控。

滚动轴承服役性能大数据研究

这是一篇关于协整,大数据分析,退化特征,服役性能,滚动轴承的论文, 主要内容为滚动轴承是机械设备中的重要部件之一,及时监测和评估滚动轴承的健康状态,对确保机械设备的安全稳定运行意义重大。随着计算机网络和电子技术的不断进步,轴承实时监测技术取得了突飞猛进的发展,随之收集了大量的监测数据。轴承监测数据中蕴含着丰富的状态、运行参数等信息。对监测数据运用大数据技术分析和挖掘,有利于寻求更精准的性能退化规律、更明确的健康状态评估、更高效的预测和健康管理,有利于机械设备的安全生产,也有助于节省资源、减少浪费。将不同服役环境下的轴承监测数据综合统一起来,寻找一致的变化规律,得到一致的退化特征,对轴承整个生命周期的管理具有重要意义。本文从滚动轴承服役性能大数据出发,分析和研究数据特征,主要内容包括:(1)针对滚动轴承状态监测数据具有非线性、非平稳性的特点,提出了一种基于协整理论的滚动轴承一致性退化特征提取方法,该方法可将不同的滚动轴承全寿命数据统一起来,得到不同工况下、不同轴承间的一致性退化特征。通过对多个实验室不同工况下的轴承全寿命数据进行特征提取,发现一阶差分绝对和与0.1分位数之间存在一定的协整关系并提取了协整特征,分析了所提特征具有一致性的原因,进一步通过动态时间规整方法计算特征序列之间的相似度,验证了该方法所提特征在一致性方面的优势。根据相似度均值来衡量,所提协整特征的一致性为一阶差分绝对和的2.024倍,为0.1分位数的3.799倍。通过对比协整融合与其他常见的多种融合算法,结果表明,所提特征可有效减少来自工况等因素的影响,具有较好的两段性。(2)为避免人工提取特征的局限,提出了一种基于DTW-CAE的滚动轴承一致性退化特征提取方法,该方法可以将不同服役环境下的轴承全寿命数据统一起来,实现自动对输入数据的抽象特征学习。通过对多个实验室不同工况下的全寿命数据进行实验,通过相似度大小验证了该方法所提特征在一致性方面的有效性。通过计算单调性等其他特征指标,验证了该方法所提特征能够准确反映轴承的退化状态,有着较好的单调性、趋势性和鲁棒性。通过对比均方根值、基于CNN所提特征、基于CAE所提特征以及该方法所提特征在进行剩余寿命预测时测试集的综合平均误差,其中,本文方法误差为0.093,CAE模型为0.236,减少了60.6%,CNN模型为1.324,减少了93.0%,验证了一致性特征确实可以削弱来自工况和工艺参数的影响,能够减小轴承特征的个体差异性,进而有效提升预测模型的准确性和普适性。(3)使用Pycharm和Qtdesigner工具、Python和Java语言、Pyqt框架以及Hadoop平台设计并实现了滚动轴承服役性能监测系统。通过信号监测模块、异常监测模块以及状态监测模块对轴承服役过程进行监控,对出现的异常情况、状态变化情况进行记录并报警,预测轴承的剩余使用时间,为人工进行检修和维护提供依据。

基于辛几何模态分解的滚动轴承故障诊断系统研究

这是一篇关于滚动轴承,故障诊断,辛几何模态分解,拉马努金周期变换,全矢谱的论文, 主要内容为随着旋转机械在工业领域的大量应用,为了确保设备的安全运转,对旋转机械的重要零部件尤其是滚动轴承的故障诊断与监测变得愈发重要。由于滚动轴承的工作条件复杂,造成采集的振动信号存在背景噪声大、信噪比低、故障特征识别困难等问题。针对上述问题,本文进行了基于辛几何模态分解的滚动轴承故障诊断系统研究,并设计和开发了一套滚动轴承故障诊断系统。本文的主要研究内容如下:(1)针对滚动轴承故障信号特征难以提取的问题,提出了一种改进的辛几何模态分解(Improve Symplectic Geometry Mode Decomposition,ISGMD)方法。首先,将动态时间规整(Dynamic Time Warping,DTW)方法用于SGMD相似分量的重组,解决了SGMD在分量重组时方法不明确的问题;其次,将波形匹配延拓方法作为SGMD算法的预处理方法,以改善SGMD分解结果的端点效应的问题;最后,通过仿真信号和实验轴承信号验证了所提方法在滚动轴承故障诊断中的有效性。(2)针对传统SGMD方法依赖经验公式选择嵌入维数导致的信号模态混叠和过度分解问题,提出了一种参数优化的辛几何模态分解(Optimal Symplectic Geometry Mode Decomposition,OSGMD)方法。首先,引入模态混叠指数、过分解指数与峭度指标的综合评估目标值函数,进行最优嵌入维数选择;其次,利用拉马努金周期变换(Ramanujan Periodic Transform,RPT)方法增强微弱故障特征,获取更多特征信息;最后,通过仿真和实验分析结果表明OSGMD与RPT结合的方法具有优秀的抗模态混叠和抗噪声干扰能力,在强噪声背景下能够有效的提取出故障特征。(3)针对传统滚动轴承故障诊断中单通道采集信号故障信息可能不足的问题,将SGMD拓展到复数域,提出了复数辛几何模态分解方法(Complex Symplectic Geometry Mode Decomposition,CSGMD)。首先,将双通道振动信号合成为复数信号并采用CSGMD方法分解重构,得到相应的正负频率分量;其次,为了进一步融合故障信息,采用全矢谱技术对信号进行处理,将正负频率分量信号进行全矢融合,综合考虑两个通道的故障特征差异;最后,通过西交公开数据集对所提方法在多通道信息融合方面的有效性进行了验证。(4)针对滚动轴承的在线诊断需求,基于C#编程语言开发了一套滚动轴承故障诊断系统。首先,进行故障诊断系统平台整体方案设计,确定实验所用传感器和数据采集卡的型号;然后,设计开发软件采集和后处理算法模块,包括信号实时采集、数据管理、EMD、VMD、LMD、SGMD等振动信号处理功能的开发,以及峭度、均值、重心频率等时频域特征参数的提取和故障声场云图等功能的实现;最后,将该系统在实验台上进行部署,通过实验信号进行软件相关功能测试。结果表明,开发的滚动轴承故障诊断软件系统能够实现故障信号的分析与处理,满足系统的设计和使用要求。