基于数据驱动的滚动轴承智能故障诊断方法研究

作     者：练刚刚 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：王申全;葛立斌

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：滚动轴承 数据驱动 变工况 子域自适应 故障诊断 

摘      要：滚动轴承作为旋转机械设备的关键组成部件,长时间高速运行,极易发生故障,影响整个设备的性能从而造成严重的安全事故,因此迫切需要探究切实可行的滚动轴承智能故障诊断方法,及时对发生的故障进行诊断,减少因故障造成的生命财产损失。现有的信号分析方法在滚动轴承故障诊断应用中受到了广泛关注,但是此类方法对数据质量要求较高,且特征提取能力有限。针对在强噪声环境和变工况条件下的滚动轴承故障诊断精度问题,本文提出了两种新的数据驱动智能故障诊断方法。通过不同的滚动轴承数据验证了所提出方法的有效性。本文的主要研究内容如下: (1)针对原始振动信号存在噪声干扰,传统信号处理方法无法有效提取故障特征,导致故障诊断准确率较低的问题,提出了基于奇异谱分解方法(Singular Spectrum Decomposition,SSD)和优化的随机配置网络(Stochastic Configuration Network,SCN)结合的故障诊断新方法。该方法采用基于最大皮尔逊相关系数的奇异谱分解算法对原始振动信号预处理,过滤信号中的噪声成分,实现信号重构。同时,鉴于正则化参数和比例因子影响随机配置网络的泛化性能,采用海洋捕食者算法(Marine Predators Algorithm,MPA)搜寻网络的最优参数,构建最优的网络模型MPA-SCN。最后,通过凯斯西储大学轴承数据集,验证了所提出方法的有效性。 (2)针对现有深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在滚动轴承变工况条件下,诊断精度有所下降的问题,提出了基于多尺度一维卷积神经网络(Multi-Scale One-Dimensional Convolutional Neural Networks,MS1-D CNN)和带W散度的生成对抗网络(Wasserstein Divergence Objective for GANs,WGAN-div)结合的子域自适应无监督故障诊断新方法。该方法不仅充分利用了多尺度一维卷积神经网络强大的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和判别器对抗学习,利用每个类别的决策边界对样本进行正确分类。此外,还引入了局部最大均值差异(Local Maximum Mean Discrepancy,LMMD),充分考虑每个子类别的细粒度信息,进行相关子域的分布对齐,减小了网络模型在决策边界附近的分类误差,提高了模型对故障类别的识别精度。通过两个滚动轴承数据集验证了所提出方法具有良好的泛化性和鲁棒性。 最后,总结本文所做的主要工作,指出了复杂环境下滚动轴承智能故障诊断存在的问题以及未来的发展趋势,并对今后的工作进行了展望。