论文部分内容阅读
民航发动机滚动轴承故障诊断研究面临两大技术难题:振动故障信号处理和故障诊断识别精度的提高。对滚动轴承振动信号的分解处理是进行故障诊断的前提条件。分别针对这两项难题构建信号处理模型和故障诊断模型,具体工作如下:1、为提高滚动轴承振动信号分解与重构的精度,提出天牛须搜索算法(Beetle Antennae Search,BAS)与变分模态分解(Variational modal decomposition,VMD)相结合的信号自适应分解与重构模型。为改进VMD分解信号时存在人为设定二次惩罚因子和分解层数的缺陷,通过BAS算法当中左右须的位置向量寻优VMD分解的最佳双参数组合,进而自适应分解得到本征模态分量(Intrinsic Mode Function,IMF)。一方面,采用包络解调方式获得IMF分量中的故障特征频率信息,与先验故障频率对比,以检验自适应分解效果;另一方面,采用快速谱峭度图原理分析IMF分量重构信号的冲击成分占比,以检验信号重构精度。计算结果表明:BAS-VMD自适应分解与重构模型在给出最佳分解参数的基础上,获取包含丰富故障频率成分的IMF分量。除了使滚动体故障频率带宽提高一倍以外,同时也使健康状态、外圈故障和内圈故障信号的重构精度分别提高2.16%、0.41%和2.28%,为进一步识别其二维时频图像的故障诊断奠定基础。2、为提高滚动轴承故障诊断的识别率,提出基于双路并行的二维卷积神经网络(Two-Way Parallel 2D convolutional neural network,TWP-2D-CNN)的故障诊断深度学习模型。为增强该模型对二维时频图像特征的非线性映射能力,在双路卷积层与池化层之间引入批量归一化算法(Batch Normalization,BN);在3层全连接网络之间融入Dropout算法。同时在保留基本卷积层的前提下,增加了膨胀卷积层结构,以便扩大对二维时频图像的感受域。通过中间层特征输出值的T-sne可视化,对比不同诊断模型在逐层映射表达过程中的泛化能力,以及在不同强度噪声下的鲁棒性检验。诊断实例结果表明:在TWP-2D-CNN模型训练和测试过程中,对时频故障图像的诊断识别率分别达到99.803%和99.396%。,并在3种不同强度噪声下仍取得95.934%的识别率,优于基本2D-CNN模型和深度神经网络(Deep Neural Network,DNN)的对应值。