基于图循环平稳信号分析的轴承故障诊断
作者单位:天津职业技术师范大学
学位级别:硕士
导师姓名:李辉
授予年度:2024年
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
摘 要:循环平稳信号分析能在谱频率-循环频率平面内有效刻画滚动轴承的故障特征,且对高斯噪声具有较好的鲁棒性,因而在滚动轴承故障诊断领域得到了广泛的应用。但是,传统的循环平稳信号分析方法只能处理欧几里得空间内的规则信号,而不能处理非欧几里得空间内的不规则数据,且受不确定原理的限制,不能同时获得较高的时域和频域分辨率。近年来,图信号处理因能有效处理非欧几里得空间数据,在计算机视觉、社交网络和情感分析等领域得到广泛应用。如何将传统的信号处理方法拓展到图信号处理领域,一直是信号处理领域研究的热点问题。本文基于图信号处理基本理论,提出图循环平稳信号分析方法并用于滚动轴承故障诊断,通过信号仿真和实验验证了提出方法的正确性和有效性。主要研究内容如下:(1)图循环平稳信号分析基础理论研究。借鉴传统的循环平稳信号分析理论,在图信号平移、图卷积和图傅里叶变换的基础上,提出图循环平稳信号分析方法,并推导了图循环自相关函数(GCAF)、图谱相关密度函数(GSCD)和图循环平稳度(GDCS)的公式。通过仿真信号验证了提出方法和公式的正确性,并与传统的循环平稳信号分析方法进行了对比,仿真结果表明:图循环平稳信号分析方法比传统的循环平稳信号分析方法具有更高的分辨率和噪声抑制能力,具有更好的信号解调效果。(2)提出基于图谱相关密度函数(GSCD)的滚动轴承故障诊断方法。首先,利用轴承故障振动信号构建图及图信号;其次,计算图信号的权重矩阵、度矩阵和拉普拉斯矩阵,并计算拉普拉斯矩阵的特征值分解;最后,计算图谱相关密度函数及其积分谱,利用积分谱实现滚动轴承故障识别与诊断。实验结果表明:GSCD能有效提取滚动轴承故障特征,其性能优于传统的谱相关密度函数(SCD)。(3)提出基于图谱相关密度函数和卷积神经网络(GSCD-CNN)的轴承智能故障诊断方法。将GSCD方法做为信号预处理方法,将得到二维双频谱图像输入卷积神经网络(CNN),实现端到端的滚动轴承智能故障诊断。并将GSCD-CNN与CWT-CNN和STFTCNN模型进行了对比,结果表明:GSCD-CNN具有更高的分类准确率。(4)提出基于节点分类的图循环平稳度和图卷积神经网络(GDCS-GCN)的轴承智能故障诊断方法。将GDCS做为信号预处理方法,将得到的一维信号输入图卷积神经网络(GCN),实现端到端的滚动轴承智能故障诊断。实验分析表明:GDCS-GCN模型具有很好的抗噪声干扰性能,滚动轴承故障分类准确率保持在98%以上。