旋转机械设备轴承智能故障诊断算法研究

摘要

滚动轴承作为旋转机械设备关键的驱动部件，在设备运行中承担着重要作用，当其发生故障时直接影响设备的安全可靠运行。因此研究滚动轴承的智能故障诊断方法能够实时、准确、高效地识别滚动轴承的运行状态，对保障设备安全运行具有深远意义和工业价值。滚动轴承的振动信号能够反映大量的轴承状态信息，因此本文以滚动轴承振动信号为分析对象，结合信息挖掘以及人工智能模式识别方法，深入研究滚动轴承智能故障诊断算法模型。 首先，研究基于统计特征的传统故障诊断模型。对滚动轴承振动信号时域、频域、时频域三种分析域下的信号进行统计特征提取。并且基于统计特征集合分别训练神经网络和支持向量机（SVM）故障诊断模型，进而完成故障模式识别。通过实验验证两个诊断模型的有效性，根据实验结果分析出SVM故障诊断模型更具有优越性。 其次，针对先验知识匮乏难以提取有效统计特征问题，研究基于自动特征提取的智能故障诊断模型。提出了一种基于频谱的稀疏自动编码器（Frequency SpectrumSparse Auto-Encoder，FSAE）与SVM的智能故障诊断算法，利用FSAE对滚动轴承振动信号进行自动特征提取，结合SVM分类器构建故障诊断模型。通过实验验证该算法的有效性，在不需要专家经验的前提下，能够完成智能故障诊断并且具有较为精确的诊断结果。 最后，针对滚动轴承有标记的故障样本数据量少导致故障诊断模型泛化性能下降的问题，研究基于半监督学习的故障诊断算法。提出了一种基于K近邻和SVM协同训练故障诊断方法，该算法充分考虑无标记数据对诊断模型的影响，利用K近邻算法学习大量无标记数据的空间分布，辅助SVM构建整个数据集的分类超平面，通过两种分类器互相修正共同学习的方式完成故障诊断模型训练。通过实验结果分析验证了本章所提算法有效的提高了模型的泛化性能，而且相较于半监督SVM分类器有更好的准确性和稳定性。

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2滚动轴承故障机理

1.3 国内外研究现状

1.3.1 信号处理及特征提取

1.3.2 故障模式识别

1.4 研究内容

1.5论文章节安排

2 特征提取与滚动轴承故障诊断方法

2.1 故障特征人工构建

2.1.1 时域特征

2.1.2 频域特征

2.1.3 时频域特征

2.2 两种故障分类算法

2.2.1 神经网络

2.2.1 支持向量机

2.3 算法性能测试

2.3.1 西储大学轴承实验数据集

2.3.2 特征提取与降维

2.3.3 两种故障分类算法比较

2.4 本章小结

3 基于稀疏自动编码器的滚动轴承故障诊断算法

3.1 稀疏自动编码器与自动特征提取

3.1.1 自动编码器与特征提取

3.1.2 稀疏自动编码器

3.2 稀疏自动编码器参数确定策略

3.3 基于FSAE与SVM的滚动轴承智能故障诊断算法

3.4 实验测试

(1)基于FSAE 特征提取模型有效性验证

(2)基于FSAE 与SVM 结合的滚动轴承故障诊断算法有效性验证

3.5 本章小结

4 基于稀疏自动编码器的半监督滚动轴承故障诊断算法

4.1 滚动轴承故障诊断中的半监督算法

4.1.1 半监督支持向量机

4.1.2 协同训练与泛化性能提升

4.2 基于K近邻与SVM的半监督分类算法设计

4.2.1 基于K近邻的样本伪标注获取

4.2.2 KNN-SVM协同训练的半监督分类算法设计

4.3 基于稀疏自动编码器的半监督滚动轴承故障诊断算法

4.4 实验测试

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集