论文部分内容阅读
滚动轴承是众多旋转机械的关键部件,其运行状态受众多因素的影响。负载在滚动轴承实际工作中常常是变化的,且负载的变化会直接影响振动特征的改变。因此,在变负载情况下,准确地识别滚动轴承运行状态,对保证机械系统安全运行意义重大。本文提出了两种变负载下滚动轴承故障诊断方法。(1)提出基于集合经验模态分解-希尔伯特(EEMD-Hilbert)包络谱和深度信念网络(DBN)的变负载下滚动轴承故障诊断方法。该方法首先对滚动轴承多状态振动信号进行EEMD,然后选取敏感本征模态函数(IMF),并对其进行Hilbert变换求取包络谱。最后将各状态振动信号的IMF包络谱按顺序构建新的高维数据,输入到经遗传算法优化各隐藏层节点结构的DBN中,实现变负载下滚动轴承多状态故障诊断。实验结果表明:训练数据采用某种负载,测试数据选用其他负载的情况下,EEMD-Hilbert包络谱比时域或频域幅值谱更好地体现出滚动轴承不同负载下的多状态特征;且DBN相对浅层学习的支持向量机和BP神经网络算法,具有更高的识别率,各数据集识别率均达到92.50%以上。但是上述方法仍需要较复杂的信号处理过程,且深度学习挖掘高维数据中深层特征的能力有待进一步提高,故提出另一种诊断方法。(2)提出基于卷积高斯深度信念网络(CGDBN)和加权混合核联合分布适配(WKJDA)的变负载下滚动轴承故障诊断方法。该方法首先运用CGDBN对滚动轴承频域幅值谱信号进行特征提取,得到滚动轴承深度广义特征,然后采用域适应WKJDA算法对源域和目标域的数据进行特征迁移,减小两域之间的差异。最后通过K近邻(KNN)算法实现变负载下滚动轴承的多状态识别。实验结果表明:采用与方法(1)相同的数据集,CGDBN所提取的深度广义特征比DBN提取的特征分类准确率更高,且CGDBN结合WKJDA的诊断方法能有效地克服负载对多状态识别的干扰,各数据集识别率均达到95.23%以上。