交大毕业论文答辩模板

1、导导 师：师：XXXXXX 教授教授答辩人：答辩人：XXXXXX止于至善止于至善日新其德日新其德目录第一章第一章 绪论绪论第二章第二章 基于基于WVDWVD和和BPBP神经网络的智能诊断神经网络的智能诊断第三章第三章 基于基于S S变换和变换和LPPLPP的智能诊断方法的智能诊断方法第四章第四章 变载荷工况下的滚动轴承智能诊断方法变载荷工况下的滚动轴承智能诊断方法第五章第五章 总结与展望总结与展望 本课题来源于国家自然科学基金青年科学基本课题来源于国家自然科学基金青年科学基金项目金项目课题来源进行滚动轴承智能诊断方法研究具备进行滚动轴承智能诊断方法研究具备理论和工程实际意义理论和工程实际意义一

2、、保障设备可以健康、高效地运行，避免人力和物力遭受一、保障设备可以健康、高效地运行，避免人力和物力遭受损失损失二、减少人工主观性影响二、减少人工主观性影响课题意义课题背景滚动轴承故障诊断发展概况滚动轴承故障诊断发展概况 滚动轴承的故障诊断研究起源于1962年；随着对FFT技术研究的深入，各类频谱分析方法在轴承状态监测与故障诊断领域发挥了巨大作用； “共振解调技术”的发展，使更进一步诊断滚动轴承故障的严重程度及位置； 20世纪80年代以后，计算机技术迅猛发展，出现滚动轴承在线监测与故障诊断系统。智能故障诊断方法的研究现状智能故障诊断方法的研究现状故障诊断人工诊断智能诊断以计算机智能软件为载体来进

3、行现代设备的故障诊断数据依赖人工分析，可靠性差，主观性影响最终的诊断结果目前基于人工智能的诊断方法和基于计算智能的诊断方法目前基于人工智能的诊断方法和基于计算智能的诊断方法已经广泛应用于智能诊断领域已经广泛应用于智能诊断领域所谓智能诊断就是以计算机智能软件系统为载体来实现设备故障的自动诊断，包括信号采集、特征提取和模式识别等步骤。故障特征提取是机械设备诊断中的关键,也是最困难的问题之一,直接决定着诊断的准确性和预报的可靠性。根据变换域的不同，振动信号特征提取可以在时域、频域以及时频域等进行。时域特征提取方法细化谱分析细化谱分析幅值谱分析幅值谱分析高阶谱分析高阶谱分析包络谱分析包络谱分析功率谱分

4、析功率谱分析倒频谱分析倒频谱分析频域分析法频域分析法频域特征提取方法上述时域、频域特征提取方法均只能分别在时域或者频域获取特征信息，而不能同时兼顾时域和频域的特征，不满足时频分析。因此，时频分析方法近年来在故障诊断领域获得了广泛关注。WIGNER-VILLE分布的定义分布的定义定义：可以看作信号能量在联合的时间和频率域中定义：可以看作信号能量在联合的时间和频率域中的分布，是分析非平稳信号的重要工具。的分布，是分析非平稳信号的重要工具。基于WVD和BP神经网络的智能诊断奇异值分解的定义奇异值分解的定义定义：是线性代数中一种重要的矩阵分解，是矩阵定义：是线性代数中一种重要的矩阵分解，是矩阵分析中正

5、规矩阵酉对角化的推广。分析中正规矩阵酉对角化的推广。基于WVD和BP神经网络的智能诊断BP神经网络定义神经网络定义定义：一种有监督学习定义：一种有监督学习并根据非线性变换单元并根据非线性变换单元构成的前馈式人工神经构成的前馈式人工神经网络。网络。基于WVD和BP神经网络的智能诊断图2-1 BP神经网络结构图基于WVD和BPNN的故障智能诊断试验数据来源：美国西储大学轴承数据中心试验轴承型号：6205试验设备：滚动轴承故障试验台轴承故障加工方法：采用人工电火花的人为加工制造方式共模拟了四种轴承状态，分别为正常、内圈故障、外圈故障和滚动体故障。轴承状态轴承状态故障尺寸故障尺寸样本数量样本数量状态标

6、签状态标签正常0.17780.279760A1内圈故障0.17780.279760A2外圈故障0.17780.279760A3滚动体故障0.17780.279760A4实验数据情况表基于WVD和奇异值分解的特征提取采用基于WVD和SVD相结合的特征提取方法可以有效处理非平稳信号，并获得滚动轴承各种状态的时频信息。采用主成分分析进行降维，依照所需累计贡献率阈值选取前10维构成最终的特征向量。基于WVD和奇异值分解的特征提取特征维数特征维数轴承状态轴承状态A1A2A3A41-329.1448468.8621-28483.85301110.53972-48.04725084.38342412.433

7、5-302.5099383.9252-1299.0024495.3409-100.50384-24.414794.74883731.1733-45.2554512.5574-326.93052002.209511.7753616.8814299.9232-105.743914.59617-11.6295-332.729237.503815.42008-6.1016-140.9317133.08912.028297.4210144.9432529.82103.0313103.9816-50.09811054.15806.3376BP神经网络网格结构确定 采用，由于滚动轴承各状态的特征向量有10维

8、，待分类的轴承状态有4类，所以BP神经网络的输入层为10个节点，输出层为4个节点。隐含层节点数依据经验公式和试验结果取10.基于WVD和BPNN的故障诊断模型 最高诊断精度为100%，即每次无错分样本；平均精度达到97.24%。本节所提出的基于WV分布BP神经网络的智能诊断方法能够以较高的精度识别滚动轴承的故障类型，并能满足工程实际中的实时诊断要求。实验结果分析 原理：是原理：是在连续小波变换和在连续小波变换和STFT基础上继承和演变而基础上继承和演变而来的一种新型用于处理非平稳信号方法，不仅获取了连来的一种新型用于处理非平稳信号方法，不仅获取了连续小波变换和续小波变换和STFT的优点，填补了

9、传统时频分析方法的优点，填补了传统时频分析方法的缺陷，而且引入了一种与频率相关的高斯窗函数，能的缺陷，而且引入了一种与频率相关的高斯窗函数，能够有效描述非平稳振动信号。够有效描述非平稳振动信号。基于S变换和LPP的智能诊断方法S变换原理变换原理铁路货车轴承信号时频特性分析 对以下两种故障轴承进行S变换获得时频图： 郑州铁路局某TADS检测站检测到的内圈故障轴承轴承型号：197726TN；检测时货车车速：39km/h郑州铁路局某TADS检测站检测到的外圈故障轴承轴承型号：197726SKF；检测时货车车速：59km/h时 间 /s频率/Hz0500100015002000250000.050.1

10、0.150.20.250.30.350.40.450.5时 间 /s频率/Hz0500100015002000250000.050.10.150.20.250.30.350.40.450.5（1）采用S变换对信号进行时频分析，可以清晰地提取轴承故障信号中的冲击成分，并能分析信号频率成分随时间的变化情况。（2）由S变换方法获得的信号时频分布从低频到高频均具有较高的时频分辨率和时频聚集性，效果清晰直观。局部保持投影（局部保持投影（LPP）原理：秉承距离相近的点均有相似性的观点，利用线性原理：秉承距离相近的点均有相似性的观点，利用线性映射将高维数据投影至低维空间中，低维数据便既能用映射将高维数据投影

11、至低维空间中，低维数据便既能用于分类，又能保持原来的局部几何结构。于分类，又能保持原来的局部几何结构。基于S变换和LPP的智能诊断方法径向基神经网络径向基神经网络（RBF）特点：能够逼近任意的非线特点：能够逼近任意的非线性函数，网络结构简单、训性函数，网络结构简单、训练简洁，学习速率比练简洁，学习速率比BP神神经网络快经网络快103 -104倍倍 。基于S变换和LPP的智能诊断方法图3-1 RBF神经网络结构图基于S变换和LPP的智能诊断模型建立步骤图3-2 诊断模型RBF神经网络模型建立输入层神经元个数取10；输出层神经元个数取4；扩展速度SPREAD依据试验结果取9。图3-3 训练集100

12、次测试结果实验结果分析测试结果如下图：0204060801001201401601234RBF 网 络 的 预 测 效 果预 测 样 本 编 号分类结果 实 际 输 出期 望 输 出图3-4 测试集诊断结果 实验结果表明：总体诊断精度达到了100%，本节所提出的基于S变换和LPP的滚动轴承智能诊断方法能够对所有的4种滚动轴承状态实现正确识别，在工程实际应用中可以减小机械设备发生误诊断概率。与基于WV分布和LPP特征提取方法诊断结果对比各轴承状态识别精度各轴承状态识别精度（100%）特征提取方法特征提取方法S变换+LPP算法WV分布+LPP算法A1100%85%A2100%0A3100%100%

13、A4100%10% 基于S变换和LPP的智能诊断方法明显比基于WV分布和LPP的智能诊断方法的诊断效果要好。由上表可知：结论研究背景研究背景 在工程实际中，旋转机械的轴向载荷通常会根据现场在工程实际中，旋转机械的轴向载荷通常会根据现场工况的情况而变化，转速也会由此发生波动。现有的滚动工况的情况而变化，转速也会由此发生波动。现有的滚动轴承智能诊断方法多数是基于恒定载荷情形，采用现有的轴承智能诊断方法多数是基于恒定载荷情形，采用现有的智能诊断方法会造成诊断效果不佳，甚至发生误判。智能诊断方法会造成诊断效果不佳，甚至发生误判。 因此，迫切需要针对工程实际问题提出一种变载荷工因此，迫切需要针对工程实际

14、问题提出一种变载荷工况下的滚动轴承智能诊断方法。况下的滚动轴承智能诊断方法。变载荷工况下的滚动轴承智能诊断方法变载荷工况鲁棒的特征提取变载荷工况鲁棒的特征提取HILBERTHILBERT变换：提取振动信号的包络信号，包络信号能够变换：提取振动信号的包络信号，包络信号能够有效反映滚动轴承故障类型的本质。有效反映滚动轴承故障类型的本质。小波包分解：可以在不同频带上进行分解，在低和高的小波包分解：可以在不同频带上进行分解，在低和高的频率范围内具有很高的分辨力，各频带上的标准偏差值可频率范围内具有很高的分辨力，各频带上的标准偏差值可以有效反映原始信号频率特征的时变特性，有效提取滚动以有效反映原始信号频

15、率特征的时变特性，有效提取滚动轴承故障类型的频率特征。轴承故障类型的频率特征。变载荷工况下的滚动轴承智能诊断方法支持向量机支持向量机定义定义定义：是基于定义：是基于线性可分的最线性可分的最优超平面发展优超平面发展起来的机器学起来的机器学习技术。习技术。变载荷工况下的滚动轴承智能诊断方法图4-1 支持向量机结构图变载荷工况下智能诊断模型模型分为训练和测试两个步骤求取滚动轴承原始信号的包络信号，对包络信号采用3层小波包分解提取各频带信号的标准偏差值构成特征向量，用于训练SVMs。对于后续测取的轴承振动信号利用包络小波包分解提取特征向量后输入到SVMs进行自动诊断。变载荷工况下智能诊断模型试验数据：

16、 用12000Hz的采样频率得到4种载荷下轴承正常状态、内圈故障、外圈故障和滚动体故障的振动加速度信号共计16种状态，每种轴承状态各60个样本，每个样本长度均为2000点。载荷载荷/kW轴承状态轴承状态故障尺寸故障尺寸/mm样本数量样本数量状态标签状态标签0正常状态0.17780.279760A10内圈故障0.17780.279760A20外圈故障0.17780.279760A30滚动体故障0.17780.279760A40.735正常状态0.17780.279760A50.735内圈故障0.17780.279760A60.735外圈故障0.17780.279760A70.735滚动体故障0.

17、17780.279760A8 1.470正常状态 0.17780.2797 60 A9 1.470 内圈故障 0.17780.2797 60 A10 1.470 外圈故障 0.17780.2797 60 A11 1.470 滚动体故障 0.17780.2797 60 A12 2.205 正常状态 0.17780.2797 60 A13 2.205 内圈故障 0.17780.2797 60 A14 2.205 外圈故障 0.17780.2797 60 A15 2.205 滚动体故障 0.17780.2797 60 A16诊断模型建立利用上表中的实验数据情况进行12次实验取1种载荷下的实验数据诊断剩余3种载荷下滚动轴承故障类型每种轴承状态均包含60个样本，总计6016=960个样本训练样本含604=240个，测试样本含604=240个 任意一种载荷的训练样本均能正确识别出其他3种载荷下滚动轴承的故障类型，充分说明了本节所提出的变载荷工况下的滚动轴承智能诊断方法的有效