基于深度学习的机电设备健康状态感知方法研究

代理获取

页面导航

目录
摘要
著录项
相似文献
相关主题

摘要

机电设备正向智能化、集成化和系统化的方向发展，需要建立可靠的机电设备健康状态感知系统，以对设备进行实时监控，保证其正常平稳运行，避免因停机造成重大损失。传统的机电设备健康状态感知方法，大多基于信号进行特征提取，并据此来判断设备健康状况。这种方法对专家经验要求较高，耗时且通用性不够高。伴随着传感器技术的飞速发展及其在机电设备上的广泛应用，可以方便地采集机电设备运行过程中的状态数据，且伴随监测时间不断延长，采集的设备状态数据越来越多。那么如何从海量监测数据中发现机电设备健康状态异常信息就显得格外重要。深度学习是以大量数据为基础，可以从海量数据中自动学习并挖掘设备健康状态特征，解决传统方法无法快速高效从海量数据中提取特征的难题，实现数据到结果的端到端感知与识别。基于此，本文开展基于深度学习的机电设备健康状态感知方法研究，主要研究内容如下：（1）针对难以从海量监测数据中挖掘设备健康状态有用信息的问题，提出基于卷积神经网络的设备健康状态感知方法。首先，结合振动信号的数据特点，提取振动信号的梅尔频谱特征系数；然后，利用卷积神经网络建立监测数据和设备健康状态之间的对应关系，实现机电设备健康状态的感知。在此基础上，引入强化学习原理机制，利用强化学习奖励与惩罚机制，自动对环境进行感知，提出基于深度强化学习的机电设备健康状态自适应感知方法。（2）针对机电设备运行中早期劣化状态难以识别的问题，提出了基于深度神经网络的设备早期劣化状态感知方法。利用深度神经网络直接对传感器信号进行处理，找到信号与设备早期劣化状态之间的关联性，建立早期劣化状态感知模型，实现对机电设备早期劣化状态的在线感知。（3）设计并开发了机电设备健康状态感知系统。首先搭建了具有3个计算节点的完全分布式Hadoop平台，然后利用该平台的分布式文件存储系统（HDFS），实现海量监测数据的分布式存储，利用该平台的分布式计算框架（MapReduce），实现监测数据的并行计算处理并开发了机电设备健康状态感知系统。

著录项

作者
苏永衡;
展开▼
作者单位

华中科技大学;

展开▼
授予单位华中科技大学;
学科轮机工程
授予学位硕士
导师姓名吴军;
年度 2018
页码
总页数
原文格式 PDF
正文语种中文
中图分类一般性问题;计算技术、计算机技术;
关键词
深度学习; 机电设备; 健康状态; 感知;

相似文献

中文文献
外文文献
专利

1. 大型机电设备健康状态评估方法研究 [J] . 李晋 ,朱强强 ,范旭峰 . 工矿自动化 . 2015,第001期
2. 基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究 [J] . 徐卫晓 ,谭继文 ,井陆阳 . 机床与液压 . 2020,第009期
3. 基于深度学习理论的大数据多尺度状态监测方法研究 [J] . 潘锦锋 . 长春工程学院学报（自然科学版） . 2019,第003期
4. 基于改进深度学习的刀闸状态识别方法研究 [J] . 张骥 ,张金锋 ,朱能富 . 电测与仪表 . 2018,第005期
5. 基于M-DSSE和RVM的航空机电设备健康状态预测 [J] . 夏爽 . 价值工程 . 2017,第011期
6. 基于规则库的用户选课健康状态感知及推荐 [C] . Shao Jingfeng ,邵景峰 ,Wang Ruichao . 2018世界纺织服装教育大会 . 2018
7. 基于深度学习的桥梁健康状态检测方法研究 [A] . 闫翠平 . 2020

基于深度学习的机电设备健康状态感知方法研究

目录

摘要

著录项

相似文献

相关主题

期刊订阅