基于MF-EC数据增强和FRFT特征学习下的轴承故障诊断

作     者：吴俊杰 

作者单位：合肥工业大学 

学位级别：硕士

导师姓名：丁煦;胡军

授予年度：2022年

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：故障诊断 ADS通信 数据增强 均值填充 分数阶傅里叶变换 卷积神经网络 

摘      要：轴承部件是当代设备最常用的机械零部件,其主要功能之一是支撑传动机械螺旋转体,降低摩擦阻力系数,保证回转精度。由于负责高速运转,工作环境恶劣,轴承也是最容易损坏的组件之一。因此,有必要对轴承进行信号提取和故障诊断。然而在实际生活生产中轴承故障信号常常呈现样本数据不足、不同故障样本数据比例不平衡现象,而且在冗余的信号中包含故障的有用信息少之又少。并且由于轴承的故障类型和故障程度所造成的信号数据差异很大,精准识别要求掌握多种信号处理技术,对专家技术与经验也具有一定的依赖性。因此,针对原始信号样本数据不足、过度依赖专家技术经验问题,展开研究并提出一种基于数据增强算法的分数阶傅里叶变换和深度特征学习的轴承故障诊断方法,以此摆脱专家依赖,并有效的提高轴承故障诊断的速率和准确率。本文的研究工作内容主要如下:(1)介绍了现如今轴承故障诊断的国内外基本研究现状,并且介绍了原始信号样本数据不足、过度依赖专家技术经验等普遍存在问题,针对相关问题提出一种基于数据增强算法结合FRFT特征学习的解决办法。(2)设计搭建基于BECKHOFF相关软硬设备的信号数据采集与监控系统。首先包括传感器的选型和安装,其次是基于倍福硬件模块EL3632做振动信号数据采集,随后利用EL6021模块做485串口通信,实现PLC与工控机之间的数据通信。以及基于倍福软件Twin CAT3的简单数据分析。最后利用ADS通信库实现倍福PLC与计算机(WPF)的通信,实现数据的监控,并拿到原始样本数据,与所提方法相结合做故障识别与诊断。(3)介绍所提基于MF-EC的数据增强算法和FRFT特征学习的结合在轴承故障诊断中的应用。首先对原始振动信号进行时域重采样;并使用重采样后信号的均值填充来保证信号的采样长度不变;由于信号的能量会发生改变,防止对结果产生影响,需要设置参数调整幅值使之能量守恒。之后对扩充后的样本数据进行分数阶傅里叶变换,得到不同阶次的一维信号。最后将这些一维信号作为深度学习网络的输入,在神经网络中学习训练,实现轴承的故障诊断。对比实验表明,该方法有效地增加样本的数量及其多样性,并且不同阶次的处理信号对不同故障类型的诊断具有良好的针对性,有效提高故障诊断的分类效率和准确率。