论文部分内容阅读
作为机械设备中常见的部件之一,齿轮箱的应用范围非常广泛。齿轮箱也是故障率较高的部件,其可靠性会影响到设备的传动系统甚至是整个设备。通过分析齿轮箱振动信号,对齿轮箱的工作状态和故障进行监测和诊断,能够及时对齿轮箱进行维护和更换,从而保证设备可靠、安全运行。本文以齿轮箱振动信号为研究对象,基于长短期记忆网络(Long Short-Term Memory,LSTM)循环神经网络模型,就故障诊断中的特征提取、模式识别等问题展开讨论。首先引入一种新的信号处理方法群分解(Swarm Decomposition,SWD),将该方法用于齿轮箱振动信号特征提取;然后提出了基于SWD-LSTM的齿轮箱故障诊断方法,利用SWD分解得到振动信号时频图,将SWD时频图输入到LSTM中进行故障模式识别。针对端对端的故障诊断模式识别,提出了基于深度双向长短期记忆网络(Deep Bi-directional Long Short-Term Memory,DB-LSTM)模型的故障诊断方法,摆脱了传统故障诊断模式对人工特征提取的过度依赖。最后针对强噪声背景下的故障诊断,结合CNN(Convolutional Neural Networks,CNN)对空间特征的提取能力和LSTM模型的时序相关信息提取能力,提出基于卷积神经网络和长短期记忆网络(Convolutional Neural Networks-Long Short-Term Memory,CNN-LSTM)的故障诊断模型,实现深度特征自动提取,提高了模型的抗噪能力。通过实验分析,从模型的收敛速度、泛化能力、准确率以及稳定性等多方面验证了本文提出方法的有效性和优越性。文章的主要研究内容:1.提出了基于群分解和长短期记忆网络(Swarm Decomposition-Long ShortTerm Memory,SWD-LSTM)的齿轮箱故障诊断方法。首先,引入了一种新的信号处理方法—SWD分解;运用仿真信号对SWD方法的频率区分能力进行了分析;然后,结合形态学滤波,提出了基于群分解和平均差值形态算子(Swarm Decomposition-Average Difference Filter,SWD-AVDIF)的齿轮箱复合故障诊断方法,并运用仿真信号和实验信号对该方法进行了验证;最后提出了基于SWDLSTM的齿轮箱故障诊断模型,用于齿轮箱故障模式识别。2.结合可以对原始信号进行处理并逐层提取信号内在表达的人工智能方法—深度学习(Deep Learning,DL),提出了基于DB-LSTM的齿轮箱故障诊断模型。首先分析了不同网络输入和网络结构对识别结果的影响,对模型网络结构进行设计;然后对DB-LSTM的抗噪性进行了分析,从模型的准确率、稳定性、收敛速度和泛化能力等多方面证明了该方法的优越性。3.针对强背景噪声下的故障诊断模型识别效果受到影响的问题,对LSTM模型进行改进,提出基于CNN-LSTM的齿轮箱故障诊断方法。该模型特征提取层由具有空间特征提取能力的CNN层和具有时序特征提取能力的LSTM层构成,能够从低信噪比的振动信号中提取深度故障特征。将CNN-LSTM运用到齿轮箱故障诊断中,从模型的识别准确率、稳定性、泛化能力、收敛速度等多方面验证了该方法的优越性;通过可视化分析证明了该方法提出深度故障特征的能力。