1. 研究目的与意义（文献综述）
机械设备日趋复杂，工控监测与故障诊断的智能化不断发展。大多数旋转机械是在高速旋转环境中工作的关键设备。其中的滚动轴承作为“工业的关节”，不仅工作速度高、工作环境恶劣，而且关系着设备性能与可靠性。通过它的检测振动信号判断出故障的有无及类型是理想的方法，也是大家研究的热点。近年来, 人工智能诊断由于强大的数据处理和故障自动识别能力, 在旋转机械状态维护领域得到广泛应用。但是，输入人工神经网络的特征向量需要通过信号处理的方式人工提取, 需要专家知识和经验。深度学习作为新兴方法,因其具有自动学习提取数据特征的优点而被广泛应用到各类故障诊断中。卷积神经网络是深度学习的代表算法之一。
李俊等[1]研究了一种基于卷积神经网络和振动信号峭度的滚动轴承故障诊断方法，提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号，将振动信号分段处理得到峭度，使用数据到图像的转换方法使峭度变为灰度图，送入卷积神经网络模型完成故障分类。王丽华等[2]提出了基于短时傅里叶变换和卷积神经网络的电机故障诊断方法。朱智宇[3]将迁移学习的域自适应理论引入到智能故障诊断算法。te han等[4]提出了一种新颖的诊断框架，该框架将时空模式网络（stpn）方法与卷积神经网络相结合。
刘星辰等[5]在经典模型lenet-5的基础上提出基于一维卷积神经网络的故障诊断算法，采用全局平均池化层代替传统卷积神经网络中的全连接层。周奇才等[6]在经典卷积神经网络alexnet基础上，提出基于一维深度卷积神经网络的故障诊断模型，模型采用改进的一维卷积核和池化层以适应一维时域信号。张继冬等[7]将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数。针对大多数旋转机械工作速度可变，sheng guo等[8]提出了毕达哥拉斯空间金字塔池化卷积神经网络的故障诊断方法，与卷积神经网络中已使用的空间金字塔池化层相比，在顶层增加了毕达哥拉斯空间金字塔池化层。佘道明等[9]提出一种新型多层深度卷积神经网络的滚动轴承故障诊断方法。薛宇航[10]构建了成比例核卷积神经网络模型用于中介轴承故障诊断，引入了dropout层。陈淑梅等[11]提出基于卷积神经网络的多变量过程特征学习模型mpcnet，是一种由多层卷积滤波器与子采样滤波器交替构成的轻量级卷积神经网络。
2. 研究的基本内容与方案
2.1研究内容
总结归纳基于深度学习的卷积神经网络分析处理振动信号的研究现状，主要是卷积神经网络如何判别正常及损伤两种状态下的振动信号。在此基础上，通过改变网络结构参数（重点是改变网络结构的深度和网络结构中卷积核的大小）来测试其对最终故障诊断结果的准确率和抗噪性能的影响，以找到最优的网络结构参数。
2.2研究目标
3. 研究计划与安排
（1）英文翻译、文献阅读报告及开题报告；（第1周—第3周）
（2）查找并阅读文献，总结归纳国内外有关卷积神经网络应用于振动响应信号处理方法的研究现状； （第4周—第5周）
（3）学习信号分析理论及matlab信号处理编程；（第6周—第8周）
4. 参考文献（12篇以上）
[1]李俊,刘永葆,余又红.卷积神经网络和峭度在轴承故障诊断中的应用[j].航空动力学报,2019,34(11):2423-2431.
[2]王丽华,谢阳阳,周子贤,张永宏,赵晓平.基于卷积神经网络的异步电机故障诊断[j].振动.测试与诊断,2017,37(06):1208-1215 1283.
[3]朱智宇. 基于卷积神经网络的机械故障诊断域自适应算法研究[d].哈尔滨工业大学,2019.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
