论文部分内容阅读
传统的基于故障信号的旋转机械故障诊断方法大部分都是“特征提取+故障识别”的模式。近年来,以卷积神经网络(CNN)为首的深度学习技术凭借其能够自动提取原始信号的特征并进行模式识别的能力,已经在图像识别、语音识别、自然语言处理等领域取得巨大的成功。因此,本学位论文将借鉴卷积神经网络在上述诸多领域的成功应用,从单一通道故障诊断、多通道故障诊断以及不同工况故障诊断等三个方面进行考虑,并结合卷积神经网络理论,提出上述三种情况下的故障方法。本文主要工作如下:(1)针对经典卷积模型LetNet-5中的二维卷积核不适于处理一维振动信号的问题,使用一维卷积神经网络的一维卷积核处理一维振动信号;其次根据卷积核尺寸越大,感知野越大这一卷积网络设计原理,使用大尺寸的一维卷积核,并将提出的网络命名为一维大尺寸卷积核神经网络(1-D LCNN);此外,由于卷积网络中的超参数对网络性能影响较大,提出使用遗传算法(GA)对超参数进行寻优。仿真分析和实验结果表明:提出的方法比传统的故障诊断方法效果更好;遗传算法寻优的超参数比随机选择超参数效果更好;一维大尺寸卷积核比二维卷积核以及一维小尺寸卷积核特征提取效果更好。(2)针对单一通道信息源诊断复杂工况精度较低以及可信度不高的问题,提出一种将1-D LCNN与D-S证据理论相结合的决策层融合的故障分类方法。该方法首先利用多个通道的数据对多个一维大卷积核神经网络进行训练,由于需要同时训练多个1-D LCNN,使用Adam优化算法训练网络;由于网络的学习率对网络训练效率影响较大,引入变学习率机制。在测试阶段将多个通道网络的诊断结果作为多个证据体,利用D-S证据合成规则对证据体进行合成,并将合成的结果作为最终的诊断结果。实验分析的结果表明:所提出的方法可以获得比仅通过单一通道进行诊断更高的诊断可信度;同时,在该方法的抗噪性研究中,该方法在强噪声背景下依然具有较高的故障诊断精度;在与其他浅层网络信息融合的方法对比中,提出的方法具有更好的诊断结果,对比试验表明:卷积神经网络与多信息方法的融合具有一定的使用价值。(3)针对不同工况下的振动数据分布差异较大导致的故障诊断精度较低的问题,提出一种将最大均值差异算法(MMD)与1-D LCNN相结合的不同工况故障诊断方法。该方法在网络训练阶段,使用MMD衡量源领域与目标领域之间的数据分布差异,并将此差异作为网络的训练目标之一,将源域对应的源领域卷积网络的Loss与MMD之和作为总的网络训练目标,使用梯度下降算法优化总目标。实验分析的结果表明:该方法比直接使用1-D LCNN具有更高的诊断精度;可视化结果表明在网络训练阶段,源领域与目标领域的MMD值有不断缩小的趋势,同时说明领域自适应方法适用于不同工况的故障诊断问题。