前言
第1章緒論1
1.1研究背景及意義1
1.2國(guó)內(nèi)外研究現(xiàn)狀及分析3
1.2.1傳統(tǒng)故障診斷方法研究現(xiàn)狀3
1.2.2現(xiàn)代智能故障診斷方法研究現(xiàn)狀4
1.2.3泵類旋轉(zhuǎn)機(jī)械故障診斷方法研究現(xiàn)狀7
1.3研究問(wèn)題的提出10
第2章液壓軸向柱塞泵智能故障診斷方法構(gòu)建11
2.1引言11
2.2軸向柱塞泵典型故障機(jī)理分析11
2.2.1正常狀態(tài)11
2.2.2松靴故障11
2.2.3滑靴與斜盤磨損故障12
2.2.4中心彈簧失效故障12
2.3時(shí)頻分析方法12
2.3.1連續(xù)小波變換(CWT)12
2.3.2同步壓縮小波變換(SWT)13
2.3.3S變換(ST)14
2.4卷積神經(jīng)網(wǎng)絡(luò)(CNN)15
2.4.1卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)15
2.4.2卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程17
2.5貝葉斯優(yōu)化算法20
2.6時(shí)頻分析與CNN相融合的智能故障診斷方法構(gòu)建21
2.6.1融合方法構(gòu)建21
2.6.2故障診斷流程22
2.7本章小結(jié)24
第3章液壓軸向柱塞泵試驗(yàn)數(shù)據(jù)采集及故障樣本構(gòu)建25
3.1引言25
3.2試驗(yàn)系統(tǒng)組成25
3.2.1硬件系統(tǒng)組成25
3.2.2數(shù)據(jù)采集系統(tǒng)組成26
3.2.3故障元件設(shè)置27
3.3試驗(yàn)數(shù)據(jù)采集29
3.3.1數(shù)據(jù)采集方案29
3.3.2振動(dòng)信號(hào)采集30
3.3.3聲音信號(hào)采集30
3.3.4壓力信號(hào)采集31
3.4試驗(yàn)數(shù)據(jù)時(shí)頻域變換33
3.4.1振動(dòng)信號(hào)時(shí)頻域變換33
3.4.2聲音信號(hào)時(shí)頻域變換35
3.4.3壓力信號(hào)時(shí)頻域變換37
3.5故障樣本構(gòu)建39
3.5.1多源信號(hào)時(shí)頻特征樣本庫(kù)構(gòu)建39
3.5.2故障樣本劃分及標(biāo)簽配置43
3.6本章小結(jié)44
目錄第4章CWT與改進(jìn)LeNet 5模型相融合的智能故障診斷方法45
4.1引言45
4.2LeNet 5卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)45
4.3振動(dòng)信號(hào)CWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果46
4.3.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響46
4.3.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響49
4.3.3批量尺寸對(duì)診斷結(jié)果的影響50
4.3.4卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響52
4.3.5卷積核尺寸對(duì)診斷結(jié)果的影響53
4.3.6診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證54
4.3.7診斷模型對(duì)比驗(yàn)證57
4.3.8基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化59
4.4聲音信號(hào)CWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果63
4.4.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響63
4.4.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響66
4.4.3批量尺寸對(duì)診斷結(jié)果的影響67
4.4.4卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響68
4.4.5卷積核尺寸對(duì)診斷結(jié)果的影響70
4.4.6診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證70
4.4.7診斷模型對(duì)比驗(yàn)證72
4.4.8基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化74
4.5壓力信號(hào)CWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果78
4.5.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響78
4.5.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響81
4.5.3批量尺寸對(duì)診斷結(jié)果的影響81
4.5.4卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響83
4.5.5卷積核尺寸對(duì)診斷結(jié)果的影響84
4.5.6診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證84
4.5.7診斷模型對(duì)比驗(yàn)證87
4.5.8基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化89
4.6本章小結(jié)93
第5章CWT與改進(jìn)AlexNet模型相融合的智能故障診斷方法95
5.1引言95
5.2AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)95
5.3振動(dòng)信號(hào)CWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果96
5.3.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響96
5.3.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響99
5.3.3Dropout比率對(duì)診斷結(jié)果的影響99
5.3.4批量尺寸對(duì)診斷結(jié)果的影響101
5.3.5卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響102
5.3.6卷積核尺寸對(duì)診斷結(jié)果的影響104
5.3.7診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證105
5.3.8診斷模型對(duì)比驗(yàn)證108
5.3.9基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化111
5.4聲音信號(hào)CWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果116
5.4.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響116
5.4.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響118
5.4.3Dropout比率對(duì)診斷結(jié)果的影響119
5.4.4批量尺寸對(duì)診斷結(jié)果的影響120
5.4.5卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響122
5.4.6卷積核尺寸對(duì)診斷結(jié)果的影響123
5.4.7診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證123
5.4.8診斷模型對(duì)比驗(yàn)證126
5.4.9基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化130
5.5壓力信號(hào)CWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果134
5.5.1學(xué)習(xí)率對(duì)診斷結(jié)果的影響134
5.5.2訓(xùn)練輪次對(duì)診斷結(jié)果的影響136
5.5.3Dropout比率對(duì)診斷結(jié)果的影響137
5.5.4批量尺寸對(duì)診斷結(jié)果的影響138
5.5.5卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響140
5.5.6卷積核尺寸對(duì)診斷結(jié)果的影響142
5.5.7診斷模型訓(xùn)練參數(shù)和結(jié)構(gòu)參數(shù)的驗(yàn)證142
5.5.8診斷模型對(duì)比驗(yàn)證145
5.5.9基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化148
5.6本章小結(jié)153
第6章SWT與改進(jìn)LeNet 5模型相融合的智能故障診斷
方法1546.1引言154
6.2振動(dòng)信號(hào)SWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果154
6.2.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化154
6.2.2融合方法對(duì)比驗(yàn)證157
6.3聲音信號(hào)SWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果158
6.3.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化158
6.3.2融合方法對(duì)比驗(yàn)證161
6.4壓力信號(hào)SWT時(shí)頻特征與改進(jìn)LeNet 5模型相融合的診斷
結(jié)果162
6.4.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化162
6.4.2融合方法對(duì)比驗(yàn)證165
6.5本章小結(jié)166
第7章SWT與改進(jìn)AlexNet模型相融合的智能故障診斷方法168
7.1引言168
7.2振動(dòng)信號(hào)SWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果168
7.2.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化168
7.2.2融合方法對(duì)比驗(yàn)證171
7.3聲音信號(hào)SWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果173
7.3.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化173
7.3.2融合方法對(duì)比驗(yàn)證176
7.4壓力信號(hào)SWT時(shí)頻特征與改進(jìn)AlexNet模型相融合的診斷
結(jié)果177
7.4.1基于貝葉斯優(yōu)化算法的診斷模型參數(shù)優(yōu)化177
7.4.2融合方法對(duì)比驗(yàn)證178
7.5本章小結(jié)181
第8章時(shí)頻變換與歸一化CNN模型相融合的智能故障診斷
方法1838.1引言183
8.2歸一化CNN模型的構(gòu)建183
8.3振動(dòng)信號(hào)時(shí)頻特征與歸一化CNN模型相融合的故障診斷方法184
8.3.1振動(dòng)信號(hào)CWT時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果184
8.3.2振動(dòng)信號(hào)SWT時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果187
8.3.3振動(dòng)信號(hào)ST時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果189
8.3.4不同融合方法診斷結(jié)果的比較192
8.4聲音信號(hào)時(shí)頻特征與歸一化CNN模型相融合的故障診斷方法195
8.4.1聲音信號(hào)CWT時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果195
8.4.2聲音信號(hào)SWT時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果197
8.4.3聲音信號(hào)ST時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果200
8.4.4不同融合方法診斷結(jié)果的比較202
8.5壓力信號(hào)時(shí)頻特征與歸一化CNN模型相融合的故障診斷方法205
8.5.1壓力信號(hào)CWT時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果205
8.5.2壓力信號(hào)SWT時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果208
8.5.3壓力信號(hào)ST時(shí)頻特征與歸一化CNN模型相融合的診斷
結(jié)果210
8.5.4不同融合方法診斷結(jié)果的比較212
8.6本章小結(jié)215
參考文獻(xiàn)217