论文部分内容阅读
滚动轴承作为旋转机械的关键零件之一,其运行状态极大地决定了旋转机械能否正常工作。机械设备的故障诊断技术可以准确识别轴承的运行状态,在一定程度上可以确保轴承安全稳定的运行。基于深度学习的故障诊断技术在诸多方面超过了传统的故障诊断技术,但在某些方面仍存在不足。因此,本文提出了三种新的基于深度学习的故障诊断模型:(1)提出了一种基于LSTM-SAE组合网络的轴承故障诊断模型。该模型将LSTM和SAE依次叠加,同时具备LSTM网络特征提取和SAE网络降噪滤波的功能,并将原始振动信号直接作为输入,满足了实际应用中端对端的智能化诊断需求,在不同来源下的数据集上验证,其测试诊断准确率均在99.00%以上,但其有效的前提是目标数据量充足且训练集和测试集的数据分布相同。然而在实际生产中,滚动轴承的工况环境复杂多变,无法满足上述条件,因此,提出了小样本下轴承的故障诊断方法。(2)提出了一种基于WKTCA-SAE的故障诊断模型,实现了小样本下轴承故障的智能化诊断。该模型首先利用FFT获得源域和目标域数据的频域特征,然后利用WKTCA算法将两个域的频域特征映射到同一特征空间,最后利用具有分类功能的SAE网络实现特征自学习和故障诊断,在不同的迁移数据集下验证,其测试诊断准确率均在99.50%以上,但其需要借助与目标域数据分布相近的源域数据。(3)提出了一种基于IBNN的故障诊断模型,实现了小样本下轴承故障的智能化诊断。IBNN将网络权重的固定值转化为高斯分布,利用重参数技巧将全局不确定性转化为局部不确定性,进而加快训练速度,并将高斯分布的方差作为参数参与模型训练,有效避免网络陷入局部最优。该模型首先利用FFT获得训练数据的频域特征,然后将频域特征输入IBNN获得预测值的分布,其可以从少量的数据中学习,无需借助源域数据,在不同来源下的数据集上验证,模型的测试诊断准确率均在99.20%以上。