论文部分内容阅读
随着现代化工业的发展,电机在国民建设的各个方面得到广泛应用,如果其出现意外故障,将导致经济损失和设备停机,甚至严重的人身伤害。嵌入式系统和人工智能技术的快速发展,为电机的故障诊断和实时监测提供了新思路。本文提出了一种基于深度学习的电机轴承故障实时诊断方法,运用卷积神经网络的方法进行电机轴承故障信号的模型训练,然后将模型移植到嵌入式平台实现实时诊断。主要的研究内容及方法有以下三点:1.对电机轴承故障实时诊断的嵌入式硬件系统进行设计,内容包括信号采集、信号传输、信号存储、信号处理、结果显示等模块。针对实际生产中出现的轴承失效形式,对轴承进行不同故障的加工,再通过所构建的嵌入式实验平台,对相应故障进行振动信号采集,完成轴承实验故障数据集的建立。2.针对传统故障诊断模型参数多、训练和诊断时间长、抗噪性差、不适用于实时诊断的问题,提出了基于残差连接和一维可分离卷积(1D-RSCNN)的滚动轴承故障诊断方法。利用一维可分离卷积和全局平均池化对模型尺寸进行压缩,改善传统卷积的运算效率;通过宽卷积核,卷积层引入Dropout提高对噪声的容忍度。试验结果表明,与其他模型相比,所提出的1D-RSCNN模型具有诊断精度高、实时性好、抗干扰能力强的优点。3.针对复合故障信号混杂、故障特征不明显,依赖复杂信号处理技术进行特征提取的问题,提出用于复合故障智能分离与诊断的LSEUnet和1D-RSCNN方法。在构建轻量化LSEUnet网络的特征提取模块LSE时,为了减少参数数量,采用卷积核大小为1×1的卷积层作为首层和3×3深度可分离卷积,卷积运算后加入了SE模块,自适应赋予不同通道不同的权重,采用1×1逐点卷积层来输出最终的特征。利用LSEUnet训练时频变换后的故障信号,训练出性能优良的二值掩膜,完成复合故障智能分离;采用轻量化网络模型1D-RSCNN作为特征学习模型,有效地从原始振动信号中学习识别特征,进行单故障分类。故障试验台进行实时诊断,取得了较好的结果。