基于数据驱动的旋转机械故障诊断与寿命预测方法研究

作     者：卢玺康 

作者单位：郑州轻工业大学 

学位级别：硕士

导师姓名：侯俊剑

授予年度：2024年

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：数据驱动 短时傅里叶变换 小波变换 深度学习 机器学习 

摘      要：随着工业化的发展,旋转机械广泛应用于各种生产场景。滚动轴承是旋转机的核心零件,其故障类别和剩余寿命直接影响整个机械设备的健康状态。因此,对滚动轴承的故障诊断与寿命预测展开研究具有重要意义。本文以滚动轴承为主要研究对象,以基于数据驱动的机器学习和深度学习为主要方法逐渐开展故障诊断和寿命预测的研究。主要研究内容如下: (1)以振动信号为训练数据,构建基于BP算法的人工神经网络模型以实现故障诊断。由于其自身结构的局限性,该方法通常需要进行一定的数据处理才能保证模型的分类准确率。因此,本文首先对振动信号进行了滤波处理并提取了时域、频域等22种数据特征以重构数据集;其次,将数据集送入模型训练并完成故障分类;最后,使用枚举法讨论了模型参数对模型分类性能的影响并为模型的参数选择积累了经验。针对人工选择和提取特征的问题,提出了一种基于一维卷积神经网络与支持向量机结合的故障诊断方法。该方法依靠深度学习模型自动提取故障特征,不仅简化了故障诊断流程、提高了故障分类的准确率还使得模型具有良好的泛化性和抗噪性。 (2)在使用振动信号完成故障分类时,仅利用了时域信息,而忽略了频域信息的作用,这一定程度上影响了故障分类的准确性和完整性。为了充分利用振动信号所蕴含的故障信息,提出了一种基于卷积时频特征提取的故障诊断方法。首先,该方法利用短时傅里叶变换获取振动信号的时频图像;其次,使用双线性插值进行图像处理并构建图像数据集;最后,将数据集送入所提模型训练并完成故障分类。结果表明,所提方法具有更高的故障分类准确率。此外,模型还引入了CBAM注意力机制以增强特征提取能力。 (3)鉴于寿命预测通常需要全周期的振动信号,而该信号既包含正常的振动状态又包含异常的振动状态。因此,预测剩余寿命相比于故障分类更加具有挑战性。针对这一问题,提出了基于混合信号的寿命预测方法。该方法首先利用小波变换获取时频图像;其次综合振动信号和图像信号两种健康信息训练模型并实现寿命预测。此外,该方法还引入了通道注意力模块和ECANet模块以增强模型特征提取的能力。 (4)所提算法经过公开数据集的验证均取得了不错的效果。此外,开展了刀具噪声实验以采集刀具切削过程中的噪声信号并构建刀具噪声数据集。最后,在该数据集上分别验证了所提故障诊断和寿命预测算法的有效性和泛化性。