基于深度学习的滚动轴承故障诊断研究

作     者：赵尚军 

作者单位：石家庄铁道大学 

学位级别：硕士

导师姓名：马新娜;盖素丽

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：深度学习 多路时间卷积网络 增量学习 SENet 故障诊断 

摘      要：滚动轴承是机械设备的重要零部件,在工业领域、交通运输领域应用广泛。但是滚动轴承经常运行在高温、重载等极端条件下,极易发生故障。一旦滚动轴承发生故障,轻则导致设备停机耽误工作进度,重则危及人民的生命财产安全。因此,进行滚动轴承的故障诊断具有十分重要的意义。基于信号处理的方式对轴承进行故障诊断,十分依赖专家经验。而深度神经网络具有强大的特征提取能力,能够减轻对专家经验的依赖,同时可以提高滚动轴承故障诊断准确率。本文针对变工况下滚动轴承诊断精度低、传统批量学习模型不能较好地识别新产生数据、增量学习模型不能较好地诊断不同实验台、不同工况下的数据等问题进行了研究。主要研究内容如下:(1)基于MTCN(Multipath Temporal Convolutional Network)的滚动轴承故障诊断方法研究。为解决在不同转速、动载荷等变工况下滚动轴承故障诊断精度低的问题,基于已有的时间卷积网络(Temporal Convolutional Network,TCN)提出了多路时间卷积网络(MTCN)来获得不同感受野下的振动信号特征,从而提高轴承故障诊断准确率。该MTCN网络使用了三路TCN网络,其中两路为原始振动信号输入到使用不同膨胀因子的TCN网络,另一路为提取到的时域特征输入到TCN网络。然后将提取到的三路特征进行拼接,输入到全连接层,并使用Softmax进行多分类。实验结果表明,在含有多种转速、动载荷等多种工况的数据集下,MTCN的滚动轴承故障诊断准确率可以达到97.19%,与长短期记忆网络(Long Short-Term Memory,LSTM)和一维卷积的Alex Net相比,具有更高的准确率。(2)基于SMDER(Shared Module Dynamically Expandable Representation)的滚动轴承故障诊断方法研究。针对基于深度学习的轴承故障诊断中的诊断数据增量、诊断故障类型增量问题,传统批量学习方法将新数据和旧数据混合一起重新训练模型,会导致训练时间过长;采用轴承实际运行中逐步产生的数据训练传统批量学习模型,将导致模型的“灾难性遗忘。为解决“灾难性遗忘问题,提出了基于共享模块的动态可扩增网络模型(Shared Module Dynamically Expandable Representation,SMDER)的轴承故障诊断方法。SMDER是在动态可扩增网络模型(Dynamically Expandable Representation,DER)的基础上新增了共享模块,目的是共享新旧数据和故障类型,在一定程度上解决“灾难性遗忘问题。在凯斯西储大学轴承数据集上进行对比实验,结果显示使用SMDER的轴承故障诊断精度可以达到96.7%,比使用DER的轴承故障诊断精度高出1.58个百分点,比主流的增量学习方法i Ca RL的滚动轴承故障诊断准确率高出5.92个百分点。SMDER模型对新增故障类型识别率更高。(3)基于SE-SMDER的滚动轴承故障诊断方法研究。针对基于SMDER的滚动轴承故障诊断方法在不同实验台、不同工况下诊断精度低的问题,融合压缩—激励网络(Squeeze-and-Excitation Networks,SENet)提出了SE-SMDER。通过在共享模块后添加通道注意力机制,使得模型能够更精准地识别轴承故障特征所属的通道。在凯斯西储大学轴承数据集、高铁轮对轴承数据集组合后的数据集下进行实验,结果显示,使用SE-SMDER的轴承故障诊断精度可以达到91.25%,比不使用SENet的轴承故障诊断精度高出2.78个百分点。此外还对SENet中的激励模块进行改进,将缩放改为扩增,以增强模型的提取能力。实验表明,相较于未改进的SENet,将改进后的SENet融合到SMDER后,轴承故障诊断准确率更高。