改进的DCANet在轴承故障诊断和寿命预测中的应用

作     者：侯婷悦 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：邰志艳;孙庆锋

授予年度：2024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)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 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：轴承故障诊断 轴承寿命预测 双路卷积 双路Transformer 注意力机制 

摘      要：轴承被称为“工业的关节,但在运行中会受各种因素的影响而损坏,进而影响机械的整体运转。因此对轴承进行有效的故障诊断和寿命预测可显著提高轴承运行安全性,并为后期维护提供理论依据。传统故障诊断和寿命预测的方法过于依赖专家知识和繁琐的人工处理,且可以描述的信号特征有限。为提高传统算法在诊断和预测任务中的特征提取能力,本文构建基于注意力机制的双路卷积网络(DCANet),该网络在一条路径上采用大卷积核提取低频特征,另一条路径采用小卷积核提取高频特征,并利用注意力机制赋予信息相应权重,使模型专注处理数据的关键特征。考虑到轴承振动信号为时序数据,数据中有一定的前后关联性,因此对DCANet进行改进并分别应用于轴承故障诊断和寿命预测任务中。具体研究内容如下: 在轴承故障诊断任务中,构建基于双向长短时记忆网络的DCANet(DCABi LSTM)进行故障诊断。该网络第一部分为双路卷积,第二部分为Bi LSTM,二者利用在线积累注意力进行连接。同时对含有自适应学习机制的Meta-ACON激活函数进行改进,使其适合处理一维轴承数据,并应用于DCA-Bi LSTM中。DCA提取信号中关键的多尺度特征,Bi LSTM从前后两个方向提取故障演变过程中的时序信息,以此充分利用信号的前后关联特征。实验在凯斯西储大学和美国机械故障预防技术协会轴承数据上进行,结果表明即使在较小的数据量下,DCA-Bi LSTM仍然比一些传统算法有更优的诊断性能,且使用了改进Meta-ACON的模型具有更好的适用性。最后,采用改进的Grad-CAM方法对诊断过程进行可视化分析,更直观地了解到注意力机制学习轴承频谱数据,并对其进行分类的过程。 在轴承寿命预测任务中,构建基于注意力机制的双路Transformer(DTA)进行寿命预测。相较于DCA-Bi LSTM模型的CNN结构容易忽略全局信息,以及Bi LSTM结构不能并行处理更长时序信息依赖关系的问题,Transformer网络的多头注意力机制可对整个序列进行并行化特征学习,自注意力机制和位置编码的结构有助于模型区分不同位置的信息。同时,DTA保留了DCANet模型的双路机制,通过设置不同大小的参数和不同类型的注意力模块来提取多尺度特征。利用XJTU-SY轴承数据集对模型效果进行验证,结果表明DTA模型所预测的剩余寿命更接近真实剩余寿命,有效证明了DTA的双路机制和Transformer网络可挖掘出长序数据中丰富的全局关联性退化特征。