论文部分内容阅读
振动故障诊断法是一种基于振动测量信号分析的间接诊断方法。振动信号经过机械系统复杂传递路径到达振动传感器,故障信号在传递过程中不可避免受到干扰,经过复杂路径传递后的不确定故障诊断信息极易造成误诊断。误诊断的发生将导致过度维修或错误维修,甚至引发重大安全事故。本文针对由振动传递过程中干扰信息引发的滚动轴承误诊断问题,开展了滚动轴承故障建模及振动特性分析、滚动轴承故障定位、滚动轴承故障模式识别和滚动轴承故障识别模型的扩展等研究工作,主要包括以下四方面内容:(1)针对滚动轴承故障振动信号的耦合传递过程,建立了考虑轴承不同打滑率的转子-滚动轴承系统动力学模型,分析轴承刚度动态组合变化对轴承振动特性的影响;基于Hertz接触理论建立了具有外圈故障、内圈故障和滚子故障的滚动轴承故障模型;分析不同测点滚动轴承故障仿真信号动力学特性和时频特性;建立具有幅值调制特性的滚动轴承故障信号表达式,将幅值调制信息作为滚动轴承故障定位方法的研究方向。(2)针对基于单通道振动信号进行滚动轴承故障定位的问题,提出滚动轴承故障定位方法;基于循环平稳理论验证滚动轴承故障信号的二阶循环平稳性,提出以循环平稳度(degree of cyclostationarity,DCS)作为不同测点滚动轴承故障信号的判别指标;综合考虑振动耦合传递机理等先验知识,提出基于谱峭度(spectral kurtosis,SK)-DCS的故障定位方法和基于经验模式分解(empirical mode decomposition,EMD)-DCS的故障定位方法;将各频带分解信号的DCS值随峭度的变化率设为特征参数,判别滚动轴承故障点与测点位置关系;搭建滚动轴承故障模拟试验台,基于滚动轴承故障试验验证SK-DCS方法和EMD-DCS方法的有效性。(3)针对微弱故障特征难以识别的问题,提出多标签长短时记忆-循环神经网络(long short-term memory-recurrent neural networks,LSTM-RNN)模型和基于多标签LSTM-RNN模型的滚动轴承故障诊断方法;利用平方包络信号频谱、谱峭度滤波频谱和循环平稳度等三种特征向量进行故障诊断测试,确定了平方包络信号频谱特征向量的诊断效果最优;利用多种转速的滚动轴承故障信号验证了多标签LSTM-RNN故障诊断方法的有效性,试验结果表明:基于多标签模型的诊断方法比基于单标签模型的诊断方法正确率平均提高30%。(4)针对多标签故障识别模型的扩展性问题,提出基于迁移学习的故障诊断方法。由源域样本和少量目标域样本训练LSTM-RNN迁移模型,并基于此迁移模型生成预测目标域样本辅助诊断,验证了不同工况和不同结构参数下基于迁移学习的故障诊断方法的有效性。研究不同目标域样本量情况下基于迁移学习的故障诊断效果,研究结果表明:随着目标样本量增加,故障诊断效果有所提升,在目标样本与源样本比例达20%时,诊断准确率不再提升。