论文部分内容阅读
滚动轴承是水泥生产线的关键设备的重要组成构件,其工作环境恶劣,工作强度大,是故障频繁发生的位置,一旦发生故障会影响整个水泥生产线的生产,产生安全隐患,给水泥厂造成经济损失,对其进行故障的检测以确保系统的安全运行具有重要意义。目前,对滚动轴承的故障诊断方法按照信号处理的角度大致分为两种,一种是依托于信号处理来进行诊断,另一种是将近年来受到极大关注的深度学习应用到故障诊断中。第一种诊断方法的核心在于通过对采集到的故障信号进行一系列的处理,逐步寻找到信号的故障特征,而最终达到对信号进行分类的目的;第二种诊断方法的核心思想是应用深度学习的相关知识,在得到的信号呈现海量的特点的背景下,第一种诊断方法会存在极大的局限性,而深度学习可以通过其内部网络在不需对信号进行额外处理的前提下,便可以实现提取特征的目的,从而实现对信号的分类。与故障诊断的传统人工检测相比,这两种方法在应用上更加简单,而且可以在故障不明显的轻微故障产生阶段就有所察觉,对故障的诊断率更高。因此,本论文将在这两种背景下,研究将其应用于滚动轴承的检测中的方法。首先,本文对滚动轴承的信号故障诊断方法做出了研究,在信号处理技术的基础上,提出了小波分解与重构技术结合谱峭度的处理方法,研究了利用小波包对信号进行分解重构的方法,求得信号的峭度图并设计带通滤波器将信号的冲击频带将其提取出来,最后依据包络谱提取出信号的故障特征频率,来最终判断出信号的故障类型。提出算法之后,本文又在实验的基础上分别采用仿真数据及试验台数据对该算法进行了验证。接着,本文也研究了如何将DBN应用于滚动轴承故障诊断中,在深度学习中,数据集的确定有着至关重要的作用,确定好数据集,这之后紧接着分析了影响DBN模型准确度的RBM的相关参数,分别利用实验确定了 RBM的迭代次数,学习率以及DBN网络中RBM的层数对整个模型诊断率的影响,确定了最终DBN的结构网络,经试验台数据验证,该模型具有不错的分类效果。最后,在这两种故障诊断方法的基础之上,本文设计了一款用于科研环境下研究的滚动轴承故障诊断的科研应用平台,该平台以MFC作为主要的开发框架,结合SQL Server数据库技术,Matlab技术,可以用于实验室环境下对采集的样本数据进行分析处理,实现数据的诊断,同时可以直观的比较出各种故障诊断算法的效果,方便科研人员对各类算法性能进行比较。经实验测试,系统运行稳定,故障识别率高,具有较高的科研应用价值。