基于深度學(xué)習(xí)的變負(fù)載下滾動(dòng)軸承故障診斷方法研究.pdf

1、滾動(dòng)軸承是眾多旋轉(zhuǎn)機(jī)械的關(guān)鍵部件，其運(yùn)行狀態(tài)受眾多因素的影響。負(fù)載在滾動(dòng)軸承實(shí)際工作中常常是變化的，且負(fù)載的變化會(huì)直接影響振動(dòng)特征的改變。因此，在變負(fù)載情況下，準(zhǔn)確地識(shí)別滾動(dòng)軸承運(yùn)行狀態(tài)，對(duì)保證機(jī)械系統(tǒng)安全運(yùn)行意義重大。本文提出了兩種變負(fù)載下滾動(dòng)軸承故障診斷方法。
　　(1)提出基于集合經(jīng)驗(yàn)?zāi)B(tài)分解-希爾伯特(EEMD-Hilbert)包絡(luò)譜和深度信念網(wǎng)絡(luò)(DBN)的變負(fù)載下滾動(dòng)軸承故障診斷方法。該方法首先對(duì)滾動(dòng)軸承多狀態(tài)振動(dòng)信號(hào)

2、進(jìn)行EEMD，然后選取敏感本征模態(tài)函數(shù)(IMF)，并對(duì)其進(jìn)行Hilbert變換求取包絡(luò)譜。最后將各狀態(tài)振動(dòng)信號(hào)的IMF包絡(luò)譜按順序構(gòu)建新的高維數(shù)據(jù)，輸入到經(jīng)遺傳算法優(yōu)化各隱藏層節(jié)點(diǎn)結(jié)構(gòu)的DBN中，實(shí)現(xiàn)變負(fù)載下滾動(dòng)軸承多狀態(tài)故障診斷。實(shí)驗(yàn)結(jié)果表明:訓(xùn)練數(shù)據(jù)采用某種負(fù)載，測(cè)試數(shù)據(jù)選用其他負(fù)載的情況下，EEMD-Hilbert包絡(luò)譜比時(shí)域或頻域幅值譜更好地體現(xiàn)出滾動(dòng)軸承不同負(fù)載下的多狀態(tài)特征;且DBN相對(duì)淺層學(xué)習(xí)的支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法

3、，具有更高的識(shí)別率，各數(shù)據(jù)集識(shí)別率均達(dá)到92.50％以上。
　　但是上述方法仍需要較復(fù)雜的信號(hào)處理過(guò)程，且深度學(xué)習(xí)挖掘高維數(shù)據(jù)中深層特征的能力有待進(jìn)一步提高，故提出另一種診斷方法。
　　(2)提出基于卷積高斯深度信念網(wǎng)絡(luò)(CGDBN)和加權(quán)混合核聯(lián)合分布適配(WKJDA)的變負(fù)載下滾動(dòng)軸承故障診斷方法。該方法首先運(yùn)用CGDBN對(duì)滾動(dòng)軸承頻域幅值譜信號(hào)進(jìn)行特征提取，得到滾動(dòng)軸承深度廣義特征，然后采用域適應(yīng)WKJDA算法對(duì)源域和