基于深度卷积神经网络的旋转机械复合故障诊断方法研究

摘要

旋转机械轴承-转子系统故障频发，单一故障存在很有可能诱发其它故障产生。旋转机械中轴承和转子故障占比较大，而轴承-转子复合故障也时有发生。如果任由其故障发展将会造成不可挽救的重大生命财产损失，因此旋转机械故障诊断方法研究具有非常重要的意义。设备的状态监测可以为设备维修保养制定合理的计划，避免了“维修不足”和“维修过剩”情况发生，同时为维修提供参考决策。 基于信号处理的旋转机械故障诊断方法常以振动加速度作为重要的研究载体，而收集到的信号成分十分复杂，往往存在干扰成分较多。如若不对信号进行预处理很难从原始信号中获取有用信息。针对上述问题，本文提出了一种瞬时频率均值曲线和VMD-EES结合的故障特征提取方法。首先使用轴承振动模型模拟了一组故障信号，通过Hilbert包络谱分析VMD分解得到的分量发现，分量中依然含有较多的噪声成分，故障特征依然不够明显。增强包络谱中的自相关函数和扩展Shannon熵操作不仅可以有效降低无法剔除的噪声，还可以增强故障特征。通过仿真信号和SKF6203滚动体微弱故障分析，证实了所提方法的有效性。同时将EMD-EES方法对比发现，VMD分解得到的分量其中心频率和带宽较为合理，信息比较集中， 轴承-转子复合故障的耦合机理研究并不充分，因此无法使用现有的时域、频域的统计指标有效地反映故障状态，尤其是频域特征的人工提取缺乏指导，而深度学习并不需要先验知识，因此本文针对故障特征构造问题提出了Hilbert包络谱和DCNN结合的方法实现多层次、多融合、多尺度、差异化的故障特征提取和识别过程，CRWU电气实验室滚动轴承单一故障平均识别准确率达到100%。同时利用该方法对N205滚动轴承-转子复合故障和正常状态下的7种工况进行识别，其平均识别准确率为90.11%。通过细化研究和特征分布可视化表示发现，仅仅使用包络谱作为网络输入，滚动体和转子的复合故障的数据分布存在一定的重叠，造成误诊分布不均衡，严重影响了模型的推广泛化能力。 针对上述模型误诊分布不均衡问题，以及DCNN网络固有的缺点，本文将深度学习的特征提取能力和SVM在小样本空间的分类能力结合，提出了一种多域多输入的semi-DCNN旋转机械轴承-转子系统复合故障诊断方法，该方法结合了理论依据清晰、敏感的时域指标和DCNN自主提取的频域指标共同输入到分类器对故障类型辨识，形成人类成功经验与机器深度学习结合互补的诊断机制，N205滚动轴承-转子实验将DCNN从包络谱提取的16个频域特征经PCA降维后，和峰峰值、峭度指标构成特征集，送入PSO-SVM，实验结果证实多域多输入的semi-DCNN有效改善了仅使用Hilbert包络谱输入DCNN网络的误诊分布不均衡的问题，滚动体和转子不对中、不平衡复合故障的测试识别准确率分别提升力32.43%和33.80%，整体识别平均准确率达到99.16%。

目录

声明

致谢

变量注释表

1 绪论

1.1研究背景及意义

1.2本文的主要研究内容和结构安排

1.3本章小结

2 文献综述

2.1 旋转机械故障诊断发展历程和研究现状

2.2旋转机械复合故障诊断研究现状

2.3旋转机械复合故障诊断发展趋势

2.4本章小结

3 滚动轴承故障和转子故障的特征探究

3.1滚动轴承故障机理及特征

3.1.1 滚动轴承的结构

3.1.2 滚动轴承失效的诱因和形式

3.1.3 滚动轴承的振动和噪声机理

3.1.4 轴承故障振动信号特征

3.2转子故障机理及特征

3.2.1 转子不对中故障分析

3.2.2 转子不平衡故障分析

3.3滚动轴承-转子复合故障特征

3.3.1 滚动轴承滚动体-转子复合故障

3.3.2 滚动轴承内圈-转子复合故障

3.3.3 滚动轴承外圈-转子复合故障

3.3.4 滚动轴承-转子复合故障特征总结

3.4滚动轴承-转子复合故障实验

3.5本章小结

4 基于VMD和增强包络谱结合的信号处理

4.1轴承-转子复合故障振动信号模型

4.2.1 本征模态分量

4.2.2 VMD分解过程

4.2.3 增强包络谱

4.2.4 VMD-EES故障特征提取流程

4.3.1 仿真信号VMD-增强包络谱特征提取

4.4滚动体故障实测信号的特征提取

4.4.1 SKF6203轴承滚动体故障实验

4.4.2 瞬时频率均值法确定IMF分量个数K

4.4.3 基于VMD-EES方法的SKF6203轴承滚动体故障分析

4.4.4 与EMD-EES方法比较

4.5本章小结

5 基于深度卷积神经网络的旋转机械复合故障诊断

5.1DCNN概述

5.1.1 卷积操作

5.1.2 非线性操作

5.1.3 池化操作

5.1.4 Softmax分类器

5.2ES-DCNN机械故障诊断方法

5.2.1 智能旋转机械故障诊断流程

5.2.2 基于Hilbert包络谱和DCNN结合的SKF6203轴承故障诊断

5.2.3 基于Hilbert包络谱和DCNN结合的N205轴承-转子复合故障实验分析

5.3Semi-DCNN机械故障诊断方法

5.3.1 主元素分析

5.3.2 支持向量机

5.3.3 粒子优化群算法

5.3.4 基于semi-DCNN的旋转机械故障诊断流程

5.3.5 基于semi-DCNN的旋转机械复合故障诊断实验

5.3.6 与DCNN、SVM方法比较

5.4本章小结

6 总结与展望

6.1 结论

6.2 展望

参考文献

作者简历

学位论文原创性说明

学位论文数据集