基于深度学习的轴承态势感知方法研究及系统设计

作     者：安加林 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：房海瑞

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)] 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：智能运维 态势感知 边缘智能 云端计算 模型轻量化 

摘      要：《2035年远景目标纲要》将发展智能装备列为了核心任务之一,同时“十四五规划提出了“加强泛在感知的战略规划。而轴承作为机械设备中的关键部件,其态势直接关系到整个系统运行的稳定与否,这使得对轴承等关键部件状态的实时监控和智能态势感知,既满足了智能诊断的需求,又符合国家对智能化、信息化发展的战略布局。因此,为了推动智能运维在物联网时代的发展,考虑工业现场复杂工况影响,本文基于深度学习提出了三个轻量化模型,并通过智能手机、边缘计算设备以及云服务器等形式,将其部署在不同的终端设备中以开发对应的设备态势感知系统,具体的研究内容如下: 首先,为了应对工业生产过程中设备的非接触性以及部署问题并推动算法从理论设计到实际应用的转变,本文设计了一个基于声发射信号具有强鲁棒性的轻量化Transformer网络模型,命名为XACNN。通过引入并修改快速傅里叶变换,对信号进行预处理,提高对噪声的鲁棒性,并修改自注意力机制实现了模型轻量化(FLOPs:0.136 M,模型的参数量:7.663 k)。为了验证XACNN模型鲁棒性以及轻量化的有效性,本文制备了一个声发射故障诊断数据集,并命名为XA-Dataset。实验结果表示,在XA-Dataset数据集上的平均精度为88.525%(在信噪比为-10分贝到10分贝的拉普拉斯噪声以及高斯噪声进行测试)。此外,通过将模型部署于智能手机端的形式,开发了一种便携式的智能诊断系统。 随后,为了进一步地丰富所设计的边缘诊断系统的功能赋予设备故障定位能力,引入了故障距离感知器,提出了一种基于声发射信号的故障诊断及定位Transformer模型,命名为PMOFormer,并将该模型部署在边缘计算设备中进行实时故障诊断及定位。通过修改Transformer的编码层以及自注意力机制来实现模型的轻量化(FLOPs:0.487 M,模型的参数量:6.148 k)。同时,在自注意力机制中引入可变卷积以及多维度输出来提高模型的鲁棒性,其在自制的数据集中在信噪比为-10分贝到10分贝的拉普拉斯噪声以及高斯噪声环境下,平均精度为95.92%,平均距离误差为±1.32 cm。此外,将该模型部署在移动手机以及边缘计算设备中进行实时诊断,其实时运算速度FPS为34以及38。 最后,本文通过开发剩余寿命预测模型并设计对应的云服务器部署方案,成功地在前文边缘诊断的基础上引入了运行状态监测能力,以云端感知状态和终端诊断故障的形式,构筑了一个综合的轴承态势泛在感知系统。首先,本文基于Transformer提出了轻量化且高精度模型,命名为SSAFormer。通过修改Transformer中的自注意力来实现模型的轻量化(FLOP:0.3774 M,参数量:3.404 k)。同时,在模型中引入稀疏卷积在降低模型参数的同时,提高模型的精度。随后,将模型部署在腾讯云服务器中进行了实时测试,实验结果表明模型的精度与电脑端测试精度并无变化,模型运行速度满足实时运算条件(FPS:74)。