基于深度学习网络的滚动轴承故障识别方法研究

发布时间：2020-06-09 09:43

【摘要】：滚动轴承是旋转机械中的重要组成部分,在工业设备中起着非常重要的作用,其运行状态对机械设备的健康状态有着很大的影响。本文针对滚动轴承故障信号,研究了基于深度学习网络的故障识别和状态预测方法。为了提取信号的特征,降低信号特征空间的维数,研究了信号的小波包分解理论和方法。重点讨论小波函数对信号特征分解结果的影响和小波包分解层数的确定方法。分析了以Daubechies小波(dbN,N=4,10,20)为基函数的小波包分解效果。当N越大时,尺度函数与小波函数的滤波频带交叠区域越小,小波包变换后各个小波包频域的分离特性越好。随着N的增大,小波包熵值逐渐变小,当N达到某一值时,小波包熵值基本不变。综合分析之后确定了小波函数。另外,根据轴承损伤的特征频率与奈奎斯特频率,结合理论与工程实际,确定了小波包分解的层数,为工程提供依据。通过选定的小波对仿真信号进行小波包分解与重构,并对重构信号进行频谱分析。实验结果表明,小波包分解能有效地提取信号的特征。为实现故障状态自动识别,研究了基于BP网络的故障识别方法。以原始信号作为BP网络的输入,输入维数大,特征不明显,状态识别效果差、效率低。用小波包变换对原始信号分解,以小波包能量作为特征,可以大幅度降低BP网络输入的维数。另外,小波包能量包含了时域与频域的统计信息,提高了识别的正确率与效率。但是,BP网络存在着局部极值问题。受限玻尔兹曼机(Restricted Boltzmann machine,RBM)是一种深度学习网络,该网络对维数较大的信号分类效率高。为克服BP网络的局部极值问题,本文提出了基于小波包分解和RBM网络结合的方法。实验结果表明,RBM网络对维数较大的信号分类,其效果比BP网络好。小波包分解的结果属于时频域统计信息,包含的信息比时域信号多,将小波包分解与RBM网络结合的方法提高了故障识别的准确性。为预测机械设备的工作状态,研究了基于RBM网络的轴承运行状态预测方法。把实时预测信号的小波包能量值作为RBM预测网络的输入,对机械设备的运行状态进行预测。当能量值出现变化时,意味着设备状态发生改变,可以及时地确定其运行状态的正常与否。
【图文】：

频谱图,原始信号,频谱图,采样长度

1( , )2avnjE E n j 2.3.3 小波包分解与重构实验构造一个由两个正弦函数叠加而成的信号：1 2s (t ) sin(2 f t )+sin(2 f t)（2.46）式中，1f =50Hz，2f =200Hz，，采样频率为 =2000Hzsf ，采样长度为 2048。原始信号如图 2.4 所示。图 2.4 原始信号原始信号的频谱图如图 2.5 所示。

频谱图,重构信号,频谱图,节点

图 2.7 节点（3,0）重构信号频谱图构造信号频谱中，存在50Hz的频率，并且50Hz在0 125Hz内，即这个频率在节点（3,0）的频带内。对节点（3,1）重构，得到重构信号如图 2.8 所示。图 2.8 节点（3,1）重构信号对节点（3,1）重构，得到重构信号频谱图如图 2.9 所示。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】