基于混合深度网络的滚动轴承智能故障诊断与预测方法研究

作     者：黄开泰 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：陈树恒

授予年度：2023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：滚动轴承 故障诊断 剩余寿命预测 多任务学习 神经网络 

摘      要：滚动轴承是机械设备当中的核心零部件,起到了支撑以及减少摩擦的关键作用,在日常生活、工业生产以及国防建设等诸多领域被广泛应用。轴承的性能高低直接影响着机器设备的工作状况,一旦轴承出现故障,极大可能会导致机械设备瘫痪,从而造成重大损失甚至人员伤亡。因此,对滚动轴承开展智能故障诊断与预测,具有重大的意义与实用价值。本文从滚动轴承的振动信号数据出发,结合深度学习理论,分别从滚动轴承的智能故障诊断与剩余寿命预测方法这两个方面对其开展研究,主要内容如下:(1)对滚动轴承的机械结构以及失效形式开展研究,并以此为基础分析了振动信号的产生以及各结构的振动特性。对常见的振动信号分析方法及其原理进行研究,并对常见的深度学习网络进行介绍,为后文进行故障诊断以及剩余寿命预测研究提供理论基础。(2)针对当下滚动轴承故障诊断过程故障识别率不高、未能充分利用数据内在关联的问题,提出了一种基于多任务学习的滚动轴承智能故障诊断模型。在模型中,轴承故障诊断任务被划分为轴承故障位置分类以及轴承故障损伤程度识别两个子任务,采用硬参数共享的机制使其互相学习。使用轴承数据集对模型进行测试并进行抗噪实验和模型对比,实验结果表明,所提模型能够正确识别轴承故障位置以及故障损伤程度,与对应单任务方法相比具有更优的性能。(3)针对目前的轴承剩余寿命预测研究大多需要经历复杂的特征提取过程,且存在预测精度不高的问题,本文提出了一种基于时间卷积网络(Temporal Convolutional Network,TCN)和注意力门控循环单元(Attention Gate Recurrent Unit,AGRU)的滚动轴承剩余寿命预测模型。通过轴承数据集对该模型的有效性进行实验验证,并将其与常见的神经网络模型进行实验对比。结果表明,模型在数据集中具有良好的预测效果。