原文传递
多传感器信号融合的车辆旋转部件故障诊断研究
| 论文题名： | 多传感器信号融合的车辆旋转部件故障诊断研究 |
| 关键词： | 汽车维修;故障诊断;旋转部件;小波降噪;数据融合;传感器信号 |
| 摘要： | 针对单一传感器在获取汽车旋转部件的故障数据时，不能完整地记录故障信息，严重影响了故障诊断的效果。本文根据振动传感器在获取转子故障数据时的优越性，提出了一种以振动传感器为基础的多互相关时空融合方法，在叠加自动编码（SAE）算法的诊断结果中，相比于单一传感器的故障数据，该方法得到的融合数据的故障诊断效果更优越。相比于传统的数据融合方法，提出了一种一维振动信号转灰度图像的多通道卷积融合神经网络故障诊断方法。与未融合的故障数据进行对比分析，提出的方法可以达到更高的诊断准确率。主要的研究内容如下： (1)噪声会大大地降低故障诊断的准确率，为了消除现实环境中噪声的影响，对传感器采集的原始数据进行一个预处理的工作。采用小波阈值降噪的方法，提取较为纯净的振动故障信号。小波降噪的关键步骤是阈值的选择以及阈值函数的确定，以信噪比和均方根差值为两个关键性的指标，选取了Stein无偏似然估计阈值的阈值方法和自适应阈值函数，取得了较为明显的降噪效果。 (2)为了解决单一传感器在处理车辆旋转部件故障诊断时的不足，采用多个传感器从不同的角度获取车辆旋转部件的故障数据，提出了一种多传感器时空多互相关融合方法。建立的多传感器多互相关的空间矩阵，可以很好的模拟现实传感器的空间布置，去除多传感器间的时间偏差，以便各传感器达到时间一致性。依据现有的试验条件，将试验数据做多种方法的融合处理，得到的结果均放入SAE算法的故障诊断中，可以比较分析得出多传感器时空多互相关融合算法的优越性。 (3)传统的数据融合方法耗费较多的人力，需要人为的考虑各方面的因素，为了解决这个问题，利用深度学习的方法，提出了一种一维振动信号转灰度图像的多通道卷积神经网络融合故障诊断方法。解决了一维振动数据导入神经网络的计算繁琐问题，利用批量归一化对灰度图像数据进行预处理，减少计算的复杂程度。融合的模型是在多个通道不同的卷积层进行的，最后采用峭度值来分配各个通道的权重，得出多通道自适应的融合结果。经过全连接层和Softmax分类层可以得到很好的故障诊断效果。 |
| 作者： | 程龙欢 |
| 专业： | 车辆工程 |
| 导师： | 李舜酩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
