论文部分内容阅读
滚动轴承是机械设备关键部件之一,其使用工况复杂多变,极易受到损坏。为了保证机械设备健康运转和正常生产,对滚动轴承进行故障诊断具有重要意义。随着大数据时代的到来,基于深度学习技术的故障诊断方法在滚动轴承故障诊断的任务中得到了更多的应用,并且一些研究也表明深度学习方法在故障诊断的很多领域中已经取得了比传统方法更好的效果。因此,本文以滚动轴承作为研究对象,研究了堆叠降噪自编码网络(Stacked Denoising Autoencoders,SDAE)和长短时记忆网络(Long Short Term Memory Network,LSTM)在滚动轴承故障诊断中的应用,本文的主要工作如下:(1)提出一种基于SDAE网络的滚动轴承故障诊断模型,通过数据重构从被损坏的数据中获取原始未被损坏的数据信息,并通过逐层训练和反向精调的方法对数据的鲁棒特征进行提取。在转子——轴承实验台上开展了滚动轴承故障实验,利用采集的滚动轴承各类型故障的原始振动信号对SDAE故障诊断模型进行训练,通过结果可视化的方法验证了SDAE优异的故障分类性能。(2)针对现有滚动轴承故障诊断方法忽略振动信号时序关联特性的问题,结合LSTM的时序数据处理高效性,提出了一种滑动窗SDAE网络和LSTM网络(SWDAELSTM)的滚动轴承故障诊断模型。使用滑动窗算法保留数据的非线性特征和时序特征,通过SADE和LSTM提取数据的这两种特征用于故障诊断。实验结果表明SDAE网络提取的数据非线性相关特征和LSTM网络提取的数据时序特征可以显著提高故障诊断精度,对比传统方法和未改进的深度学习方法,SWDAE-LSTM模型的性能更稳定。并且讨论了传感器数量和位置对诊断结果的影响,为传感器数量选择和布置方式优化提供指导。(3)针对现有的滚动轴承故障诊断方法提供的故障提前相应时间短的问题,提出一种基于改进SWDAE-LSTM的滚动轴承初期故障检测模型。通过使用正常数据训练模型,使模型学习滚动轴承的正常运行状态趋势,最后利用模型的预测值与真实值的残差检测滚动轴承初期故障,并使用贝叶斯优化方法对模型的超参数进行调优选择。使用滚动轴承的全生命周期数据验证了模型可以有效检测滚动轴承的初期故障,通过与未改进的方法和基于时域指标的方法对比,改进后的SWDAE-LSTM模型可以更早的检测出滚动轴承的初期故障。本文提出的SWDAE-LSTM滚动轴承故障诊断方法可以有效识别滚动轴承的故障类型和检测滚动轴承初期故障发生时间,性能稳定智能化程度高。