论文部分内容阅读
电机作为现代工业生产中主要的动力源之一,其在工业生产中扮演着越来越重要的角色。而轴承作为电机中重要的组成部分之一,其工作状态对于电机运行以及整个工业生产活动中有着巨大的影响。如何对电机轴承当前运行状态进行有效可靠的预测与诊断,是当前故障诊断领域最为火热的研究热点之一。目前,电机轴承故障诊断方法多通过将几种算法相结合,以实现从小样本信号数据中,提取出有效的轴承故障特征的方法,从而输入至神经网络进行训练分类的过程。而随着电机的工作环境愈发的多样化、复杂化,传统电机轴承故障诊断方法时常会出现无法有效提取故障特征信息等问题。并且浅层分类神经网络存在分类准确率无法随样本数量增加而提高的情况,限制了故障诊断效率的进一步提升。针对传统电机轴承故障诊断方法存在的缺陷,结合深度学习中卷积神经网络(Convolutional Neural Network,CNN)在处理大样本信号数据中,能够有效提取特征信息等方面的优点,本文首先采用了基于CNN的电机轴承故障诊断方法。通过实验对比选择合适的模型结构以及网络参数,并直接使用原始振动数据作为网络模型的输入对其进行训练,减少了当前电机轴承故障诊断方法中原始数据预处理工作。通过使用凯斯西储大学开放轴承数据库数据进行训练分类,该模型对于轴承故障分类准确率能够达到99.8%,达到了理想的分类效果。同时,使用实验室QPZZ-II型电机实验台所采集的轴承故障数据作为该模型的训练样本进行训练,最终达到了99.7%的分类准确率,验证了该模型具有较高的可靠性与实用性。同时,为了进一步提高电机轴承故障诊断工作的效率,减少基于CNN的电机轴承故障诊断方法中所需训练样本数量过多等不足。结合所采集的电机轴承故障信号为时序数据的特点,以及门控循环单元(Gated Recurrent Unit,GRU)能够充分挖掘故障信号中时序信息的优点,采用了基于CNN与GRU的电机轴承故障诊断方法。在训练样本减少一半的情况下,通过将CNN在大样本数据特征提取的优点以及GRU处理时序数据的优点结合起来,分别使用凯斯西储大学开放轴承数据库数据和实验室QPZZ-II型电机实验台所采集的轴承故障数据作为该模型的训练样本进行训练,分别最终达到了99.7%和99.6%的分类准确率,与基于CNN的电机轴承故障诊断方法相差无几。在训练样本减少的情况下,该方法能够通过深入挖掘故障信号中所蕴含的时序信息,保障故障诊断模型的分类准确率,进一步提高了电机轴承故障诊断工作的效率与可靠性。