基于卷积神经网络的滚动轴承及行星齿轮箱故障诊断方法

发布时间：2020-04-20 10:46

【摘要】：滚动轴承及行星齿轮箱是机械设备中的关键部件,其故障与否与设备能否正常运行紧密相关。随着生产高效化、智能化的逐步加深,对设备故障诊断智能化的要求也日益提高,尤其是滚动轴承及行星齿轮箱等关键部件。然而现有滚动轴承及行星齿轮箱故障诊断方法存在以下不足:一是大部分诊断方法都是基于信号处理等相关知识,这需要非常好的数学知识和高深的领域知识做基础,实际生产中可操作性不强;二是对故障诊断的研究都只是局限于对故障位置的诊断,很少有对部件故障大小、轴承载荷等属性的诊断。针对以上滚动轴承及行星齿轮箱故障诊断方法的不足,本文首先根据深度学习相关知识搭建一个卷积神经网络模型,并在CWRU数据集上进行滚动轴承故障的定性诊断,并取得准确率为99.79%的良好诊断效果。该方法直接采用一维振动信号作为网络的输入,利用卷积神经网络强大的学习能力,自适应的提取、学习振动信号的特征,克服了传统方法在进行故障诊断时振动信号特征信息难以提取的困难;随后,在滚动轴承定性诊断的基础上提出一种基于多属性卷积神经网络模型的滚动轴承故障定量诊断方法。通过搭建一个多属性卷积神经网络模型分别在CWRU数据集和本实验室数据集上进行相应的滚动轴承故障位置、故障大小及轴承载荷等属性的诊断,最终各属性综合准确率分别为89.74%和96.3%。此方法不仅能查看各属性的准确率,而且可以查看所诊断各个属性任意组合的诊断结果;最后,在实现滚动轴承定性、定量诊断的基础上,针对行星齿轮箱结构和故障信号传播路径复杂而导致故障难以诊断的情况,提出故障树形结构、工况并列结构以及MSCNN模型。其中故障树形结构能统一处理各种复杂故障类型,还能查看各个节点的诊断效果;工况并列结构能处理变工况,预测转速和载荷;MSCNN模型在多属性卷积神经网络模型的基础上,采用大的卷积、池化算子、大步长,并在网络中加入双路径,这既避免了网络过深而导致难以训练又兼顾了网络过浅特征提取不充分的问题。最终在本实验室行星齿轮箱振动数据集上实现变工况下行星齿轮箱的复杂故障诊断,取得行星齿轮箱各部件综合准确率为97%的诊断效果。本文所提基于卷积神经网络的滚动轴承及行星齿轮箱故障诊断方法简洁、泛化性能好、可操作性强、诊断效果好。
【图文】：

模块结构图

GoogLeNet 结构也不断地优化、改进，先后出现了 Inception V2、InceptionV3、Inception V4 等模型。图1-3 Inception模块结构图

特征图,学习模块,残差

深度为 152 层的深层网络，并获得 ILSVRC 2015 比赛的冠军。ResNet 的诞生也是人类自研究计算机视觉以来第一次超越人眼的图像识别率。图1-4 ResNet的残差学习模块2017 年，，康奈尔大学博士后黄高博士等提出了 DenseNet[32]，该构架是一种具有密集连接的卷积神经网络，通过集合每层前面的输出来实现特征的充分利用。同时网络的每一层设计得特别窄，即每层使用很少的特征图，以便达到降低冗余性的目的。基于以上两点，使得 DenseNet 在 ImageNet 分类数据集上达到与ResNet 同样的准确率，所需参数量、计算量都不到 ResNet 的一半，从而使得DenseNet 比其他网络具有更高的效率。2017 年
【学位授予单位】：安徽工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33;TH132.425

【参考文献】