5070 浏览复杂工况下的故障诊断方法研究
摘要：机电设备在现代化的发展中起着非常重要的作用,滚动轴承作为机电设备的重要组成元件,通常所处的工作环境相对较为恶劣,滚动轴承发生故障及性能衰退的概率往往在整个故障诊断中占比高达30%。为了确保机电设备运行的稳定性和安全性、预防重大事故的发生和降低维修成本,对故障诊断技术的深入研究在工业制造业是十分必要的。由于滚动轴承是机电设备中最重要的组成部分之一,因此本文以轴承为主要的研究对象,开展基于振动分析相关的故障特征提取与诊断的研究,主要内容包括如下:（1）针对机械设备在多工况下采集到的数据存在分布差异、分类精度较低且人工标注成本较高的问题。提出了小波时频图与迁移学习的多对抗域适应网络（multi-adversarial domain adaptation,MADA）结合的智能故障诊断方法（CWT-MADA）,用于跨工况故障诊断。该方法首先构建双流深度卷积神经网络学习源域和目标域的原始信息特征和时频图特征,该组合特征有助于解决故障特征利用不充分的问题;其次,通过源域样本聚类对目标域样本打伪标记,并在多域适应过程中约束特征提取器,不断拉近不同域同类之间的距离,减少工况变换造成的分布差异,从而实现最终的故障诊断。实验以美国西储大学公开的滚动轴承数据集作为实验对象,最终的平均故障诊断准确率达到了94.99%。不过在研究中发现,当机电设备同时发生多种故障时,即存在复合故障时,该方法的诊断结果没能达到预期的效果。（2）针对复合故障之间存在相互耦合,传统故障诊断方法对复合故障的冲击特性难以提取的问题。本文提出了一种基于经验模态分解与结合解耦器的卷积神经网络相结合的故障诊断方法。首先将获取到的单一故障类别的信号通过经验模态（Empirical Mode Decomposition,EMD）分解为多个IMF分量;其次,通过Pearson相关系数法计算其与原始信号的相关性,筛选出最主要的几个IMF分量并构成矩阵的形式;然后,将构成的矩阵输入到结合解耦器的卷积神经网络中,进行网络训练;最后,使用单一故障和复合故障的测试样本进行测试。实验在QPZZ-II模拟故障诊断实验台上获取到的轴承和齿轮的单一故障和复合故障数据进行实验验证。结果表明该方法不仅能够实现单一故障的分类且能够实现复合故障的分类,复合故障的平均准确率达到了92.115%。
关键词：故障诊断;小波时频图;多域对抗网络;经验模态分解;解耦器;
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 故障诊断方法现状
1.2.1 基于信号处理的故障诊断方法
1.2.2 基于人工智能的故障诊断方法
1.2.3 复合故障诊断方法
1.3 迁移学习与领域自适应
1.4 主要研究内容与组织结构
第2章 理论基础
2.1 引言
2.2 卷积神经网络结构
2.2.1 卷积层
2.2.2 激活函数
2.2.3 池化层
2.2.4 全连接层与输出层
2.3 迁移学习理论基础
2.3.1 迁移学习介绍
2.3.2 迁移学习成立条件
2.3.3 迁移学习的分类
2.3.4 衡量距离准则
2.4 本章小结
第3章 基于多对抗域网络的跨工况故障诊断
3.1 引言
3.2 跨工况故障诊断研究
3.2.1 小波变换
3.2.2 模型的构建
3.3 实验
3.3.1 实验数据
3.3.2 对比实验设置
3.3.3 对比实验结果
3.3.4 对比分析
3.4 本章小结
第4章 基于卷积神经网络的复合故障诊断
4.1 引言
4.2 电机常见故障分析
4.3 基于卷积神经网络的复合故障诊断方法
4.3.1 经验模态分解
4.3.2 Pearson相关系数法
4.3.3 网络结构介绍
4.3.4 特征解耦
4.4 实验
4.4.1 数据介绍
4.4.2 数据采样
4.4.3 信号分解
4.4.4 输入矩阵的构造与网络参数
4.4.5 实验结果与分析
4.5 本章小结
第5章 总结与展望
参考文献
