滾動軸承是機械部件中最常用的部件之一,有效可靠的軸承故障實時監(jiān)測系統(tǒng)對于現(xiàn)代工業(yè)發(fā)展具有重大意義�，F(xiàn)有主流的故障診斷算法大多以人為提取特征和分類器結(jié)合的方法來實現(xiàn)故障識別,模型通常較復(fù)雜,人為提取特征容易丟失關(guān)鍵信息,無法保證通用性和泛化能力。本文以滾動軸承為研究對象,針對現(xiàn)有技術(shù)的不足,提出了一套基于長短期記憶網(wǎng)絡(luò)LSTM的軸承故障診斷模型,可以依據(jù)網(wǎng)絡(luò)特性自動提取特征和故障識別。本文首先建立了基于LSTM的軸承故障診斷模型,將數(shù)據(jù)映射到線性網(wǎng)絡(luò)層,通過長短期記憶網(wǎng)絡(luò)訓(xùn)練參數(shù),再輸入到softmax輸出層得到分類類別的概率分布。模型對凱斯西儲軸承故障試驗平臺中含有內(nèi)外圈和滾動體點蝕故障的軸承數(shù)據(jù)進(jìn)行識別試驗,結(jié)果表明該模型能有效識別軸承的故障部位和故障程度,并與預(yù)先提取小波包能量特征的LSTM模型和支持向量機模型作對比,證明該模型的準(zhǔn)確率更高,穩(wěn)定性更好�；贚STM的軸承故障診斷模型已經(jīng)達(dá)到了很高的準(zhǔn)確率,但訓(xùn)練速度慢,難以滿足實時監(jiān)測的要求。卷積神經(jīng)網(wǎng)絡(luò)CNN中卷積層和降采樣層可以充分提取數(shù)據(jù)特征并降低數(shù)據(jù)維度,加快訓(xùn)練速度。由此,提出了基于一維卷積的LSTM故障診斷模型,由卷積層...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1end-to-end雙層LSTM編碼解碼結(jié)構(gòu)圖

重慶大學(xué)碩士學(xué)位論文1緒論設(shè)計了雙向LSTM（bidirectionalLSTM）模型，實現(xiàn)了手寫字符識別。以81.5%的字符準(zhǔn)確率，超過了隱馬爾可夫模型（HMM）的字符識別模型70.1%的準(zhǔn)確率。2014年，Sutskever等[30]提出了端到端（end-to....

圖1.2軸承故障診斷模型步驟Fig.1.2Bearingfaultdiagnosismodelstep

重慶大學(xué)碩士學(xué)位論文1緒論者時頻分析，對設(shè)計人員技術(shù)要求高。為了解決以上問題，本文嘗試將特征提取和設(shè)計分類器兩個步驟合二為一，簡化模型，設(shè)計一種端到端的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，直接分析原始振動信號的深層性質(zhì)，保留其重要特征，實現(xiàn)一個泛化能力強大的故障診斷模型。滾動軸承產(chǎn)生的振動信號....

圖2.1傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2長短期記憶網(wǎng)絡(luò)理論基述基于長短期記憶網(wǎng)絡(luò)的軸承故障診斷模型的網(wǎng)絡(luò)架構(gòu)及優(yōu)化算法，循環(huán)神經(jīng)網(wǎng)絡(luò)因其據(jù)，但在誤差反向傳播過程中容易出現(xiàn)梯度記憶網(wǎng)絡(luò)，介紹其在網(wǎng)絡(luò)架構(gòu)上的改進(jìn)，最后網(wǎng)絡(luò)RNN絡(luò)（RecurrentNeuralNetworks，RNNs）是專。如果用傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)....

圖2.2RNN網(wǎng)絡(luò)架構(gòu)

網(wǎng)絡(luò)中每一個參數(shù)的詳細(xì)描述如下：：在時刻t的d維輸入向量。()×：用于輸入向量的權(quán)重矩陣,為隱層的神經(jīng)元()×：用于上一時刻隱層的權(quán)重矩陣。：上一時刻t-1的隱層狀態(tài)。其....

本文編號：4057196