基于改进残差神经网络的滚动轴承故障诊断方法研究

作     者：梁浩鹏 

作者单位：兰州理工大学 

学位级别：硕士

导师姓名：赵小强

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：故障诊断 滚动轴承 变工况 改进残差神经网络 空洞卷积 

摘      要：滚动轴承在旋转机械运转过程中起着至关重要的作用,是旋转机械最重要的部件之一,由于滚动轴承在旋转机械的运转环境一般是密闭且复杂易变的,其应用过程中存在老化、损坏等问题,从而产生的各种故障将会造成安全事故和巨大经济损失。因此,对滚动轴承进行故障诊断是非常重要的。由于传统方法在故障诊断的过程中伴随一些人为主观因素,限制了此类方法对故障特征信息的完全提取,这使得在处理复杂故障时很难实现较好的泛化性能,然而深度学习方法可以将故障特征提取和分类结合到一起,自动从原始信号数据中提取代表性特征,从而消除人工经验对特征提取的影响。因此,本文研究了基于残差神经网络的滚动轴承故障诊断方法,本文主要的研究内容如下:(1)针对滚动轴承工况复杂多变、环境噪声干扰大、有效数据样本不足而导致的故障诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法。该方法以滚动轴承时域信号数据作为输入,首先利用三个连续的卷积层串联构建了一种改进的数据池化层,目的在于能够有效地提取振动信号中故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,学习故障特征信息,其优势在于通过扩大感受野使得该方法具有较强的特征学习能力;最后引入Dropout方法丢弃一定比例的神经元,可有效避免过拟合的负面影响。使用凯斯西储大学轴承数据集验证了本章方法在滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力。(2)针对滚动轴承工况复杂,传统残差神经网络难以有效地提取故障特征信息的问题,提出了一种改进的残差神经网络故障诊断方法。该方法以采集到的滚动轴承时域信号作为输入,针对滚动轴承时域信号时变性较强的特点,构建了一种基于Inception模块改进的数据池化层,该池化层采用3个3×3的小卷积层串联和堆叠构建,并加入了残差连接,可有效地提取了特征信息。在残差块中构建跳跃连接线,设计了一种带跳跃连接线的残差块,增强了残差块对特征信息的学习效率。利用空洞卷积能够扩大感受野的优点,将带跳跃连接线的残差块中的普通卷积替换为空洞卷积,设计了一种带跳跃连接线的空洞残差块,将设计的两种残差块端对端首尾相连构建神经网络。通过凯斯西储大学公开的4种不同工况下的数据集来验证该方法的有效性。(3)由于滚动轴承一维信号转化为二维信号时,会损失部分特征信息,针对此问题,提出了基于一维残差神经网络的滚动轴承故障诊断方法。该方法以滚动轴承一维时域信号为输入,首先在卷积神经网络中构建锯齿状空洞卷积,有效提高卷积层的感受野;然后设计不同权重系数的多级残差连接结构,使得下层特征可以传递到上层,提高了该方法的特征学习能力,最后在每一个子残差块后添加一个注意力模块SE block,用来增强有用的特征通道,削弱无用的特征通道,从而增强了该方法对故障特征的辨识能力。利用凯斯西储大学数据集进行实验,结果表明,该方法能有效地诊断变工况条件下的滚动轴承故障,与其它深度学习方法相比,具有更高的故障诊断准确率。