论文部分内容阅读
滚动轴承作为旋转机械中的关键部件,其健康状态关系着整个机械设备的稳定运行。实时监测滚动轴承的运行状态,并及时发现故障出现的位置以及故障严重程度,能够有效确保人机安全和减少经济损失。但在滚动轴承实际工作中,常伴随着不同噪声干扰、不同工作负荷的情况,而传统的特征提取和模式识别相结合的故障诊断方法,很难自适应地解决复杂易变工况下的滚动轴承故障诊断问题。本文在总结归纳前人研究工作的基础上,针对上述问题,基于AlexNet研究了滚动轴承变工况故障诊断的方法:(1)针对旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利特征的问题,提出一种基于改进AlexNet的滚动轴承变负荷故障诊断方法。首先,将采集的一维的时域信号按横向插样构建便于改进AlexNet输入的二维特征图;其次,经过改进AlexNet的卷积和次采样等操作从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过反映不同工况下的12种滚动轴承故障状态的振动信号来验证该方法的有效性。(2)现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断,对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进AlexNet的滚动轴承故障诊断方法。该方法首先将AlexNet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;然后以小批量样本softmax的交叉熵为损失函数,且按Adam迭代优化法小样本、少迭代次数训练改进AlexNet后的变负荷样本诊断精度为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进AlexNet的结构等相关参数;最后根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进AlexNet,实现复杂工况下滚动轴承多状态故障诊断。通过反映不同工况下的16种滚动轴承故障状态的振动信号来验证该方法的有效性。(3)滚动轴承工况复杂多变,但基于传统机器学习的智能故障诊断方法对滚动轴承的工况和样本依赖性强,严重影响滚动轴承智能故障诊断方法的泛化性能,对此,提出一种基于改进AlexNet特征迁移的滚动轴承变工况故障诊断方法。首先,利用某种负荷下的滚动轴承故障样本预训练改进AlexNet的故障诊断模型,并在训练完成后保存网络前几层的权值;然后根据保存的权值参数分别提取训练样本和不同负荷的测试样本的特征,并用最大均值差异(Maximum Mean Difference,MMD)度量两类样本特征的距离;最后以最大均值差异与训练样本的softmax损失函数的加权和为目标函数,自适应地调整滚动轴承变工况故障诊断模型以提高变负荷故障诊断精度。通过反映不同工况下的16种滚动轴承故障状态的振动信号来验证该方法的有效性。(4)针对滚动轴承变工况故障诊断过程中,过强的噪声和有限的带标签样本将给滚动轴承变工况故障诊断带来极大困难的问题,提出一种基于稀疏去噪和改进AlexNet特征迁移的滚动轴承变工况故障诊断方法。首先,利用某种负荷下反映滚动轴承故障状态的样本完成改进AlexNet的训练过程,并保存前五层权值参数;其次,依据训练样本设计初始化过完备字典库,通过K-奇异值分解(K-Singular Value Decomposition,K-SVD)方法自适应地选择更新过完备字典,并通过正交匹配追踪(Orthogonal Matching Pursuit,OMP)重构信号达到去噪目的;最后,以训练样本的softmax交叉熵值与训练样本特征和测试样本特征MMD的加权和为损失函数在线调整改进AlexNet后三层的权值,以完成滚动轴承变工况的故障诊断。通过反映不同工况下的16种滚动轴承故障状态的振动信号验证该方法的有效性。