基于密集卷积网络的滚动轴承故障诊断方法研究

作     者：吴康 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：钟诗胜

授予年度：2020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] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

主      题：滚动轴承 故障诊断 密集卷积网络 特征提取 不均衡样本 

摘      要：滚动轴承通常作为旋转机械的核心支撑部件,其实际工况往往较为复杂,例如高转速、高温和高负载等。并且时常会受到各类冲击和振动的影响,因而导致其故障发生率较高。传统故障诊断方法通常需要将轴承从设备上拆解下来,并结合工程师的实际经验进行故障诊断,从而导致诊断的周期较长、时效性较差,不能满足实时监测的需求。同时,在振动信号的获取过程中,外界环境噪音的干扰以及故障样本缺乏而导致的样本不均衡问题都使得滚动轴承的故障诊断过程愈发困难。针对于振动信号获取过程中可能引入环境噪音的问题,本文提出了一种基于样本熵的自适应WTD方法,并对信号数据进行了降噪处理。该方法通过DWT技术来对振动信号进行了分解,然后基于各层小波系数的样本熵,为各层系数分配了不同的阈值函数并对系数进行了筛选处理,最后通过对处理后的小波系数进行逆离散小波变换,完成振动信号的降噪工作,并通过相关实验,对该降噪方法进行了验证。为了解决在轴承故障诊断过程中出现的诊断时效性差,诊断精度不理想等问题,本文引入了Dense Net模型以从混叠的轴承振动信号中提取出能够表征轴承运行状态的特征信号,同时借助EMD算法和PCA算法对该模型进行了改进,构建了一种基于EP-Dense Net模型的滚动轴承故障诊断系统,并完成了相应的故障诊断工作。同时通过系列对比实验,对该诊断系统进行了验证。为解决故障诊断时一直存在的样本不均衡问题,本文提出了一种面向不均衡样本的滚动轴承故障诊断方法,以提高系统在样本不均衡情形下的诊断精度。该系统在现有Dense Net模型的基础上,结合CS技术,根据每个故障类别样本的数量,为每个样本设置不同的错分代价权重,并将代价权重融入到集成框架的目标函数中,以从算法层面解决样本不均衡问题,从而提高系统最终的诊断精度,并通过系列对比实验,对该诊断系统进行了验证。最后,结合轴承故障诊断的实际需求,通过Python对本文所提方法和模型进行了应用层面的实现和诊断系统的开发,并将该系统应用于实际信号数据完成了操作示范,对该诊断系统进行了验证,同时也为企业进行轴承故障诊断工作提供了相应的理论基础和技术支持。