关键词:
滚动轴承
一维卷积神经网络
故障诊断
迁移学习
虚拟仪器技术
摘要:
目前,旋转机械愈发呈现出高精密、高效率与高自动化的发展趋势,而滚动轴承作为旋转机械中具有重要支撑作用的部件,对其开展故障监测与诊断是确保旋转机械动力机组系统高效、安全运行的重点所在。工业大数据智能制造时代背景下,如何从海量高维度和丰富种类的工业大数据中高效、准确地挖掘出滚动轴承不同运行状态的基本模式,是当前迫切需要解决的问题。近年来,以数据驱动为核心的轴承智能故障诊断方法受到了广泛的关注与研究。因此,本论文以一维卷积神经网络(One-dimension Convolutional Neural Networks,1DCNN)和迁移学习(Transfer Learning,TL)为理论依据,对复杂环境下的滚动轴承智能故障辨识方法展开研究,主要的研究工作如下:(1)针对滚动轴承原始信号中含有噪声以及传统卷积神经网络诊断精度和效率低的问题,提出一种将自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与改进多尺度一维卷积神经网络相结合的滚动轴承故障诊断方法。该方法首先利用CEEMDAN对原始振动信号进行降噪,并采用Person相关性分析方法重构信号,去除了输入层数据中的噪声分量。同时设计并改进了一种多尺度一维卷积神经网络,该网络采用粒子群算法对金字塔场景解析网络的卷积核尺寸进行寻优,有效地提高了网络训练速度与辨识精度。两个数据集上的实验结果表明,该方法能够保留原始数据中的敏感特征并完成故障辨识任务,具备良好的泛化性和抗噪性。(2)针对变负载工况下由于特征领域偏移导致卷积神经网络故障辨识精度偏低的问题,构建一种基于注意力机制的域对抗迁移神经网络。该方法用于滚动轴承故障诊断,采用通道注意力机制减少冗余特征信息,使得模型更加关注与分类任务相关的特征。此外还构建了一种改进的代价函数来度量源域和目标域间的特征分布,并在网络激活层引入改进的Meta-ACON激活函数,以提升跨域故障诊断性能。结果表明,该方法相较于传统方法拥有更好的故障辨识性能。(3)基于双跨综合故障模拟平台,在LabVIEW虚拟环境中开发了一套滚动轴承故障智能状态监测与诊断系统。该系统采用加速度传感器采集振动信号,由凌华DAQ2214数据采集卡完成A/D转换,同时在故障辨识模块中加入文中设计的算法,并采用Python与Lab VIEW结合的方法来完成数据处理分析,实现了对实验台滚动轴承振动信号的状态监测和故障类别辨识。