类别增量学习及在滚动轴承故障诊断中的应用

发布时间：2020-07-21 19:39

【摘要】：滚动轴承是大型机械设备的关键部件,这是因为滚动轴承的健康状态会影响整个大型机械设备的安全运转。一旦滚动轴承发生故障,则可能会导致设备宕机,带来不可估量的经济损失甚至安全事故。然而,由于严苛的工作环境以及其他一些不可控制的因素,滚动轴承的失效概率高。因此,研究滚动轴承的故障诊断对保障设备性能和预防重大事故具有重大的工程价值和学术意义。随着计算机软硬件技术的发展,滚动轴承故障诊断越来越趋向于以人工智能技术为核心的智能诊断。然而,不管是传统的智能诊断方法还是基于深度学习的智能诊断方法,基本上都采用了批量学习的方式。这种学习方式会浪费大量的时间和计算资源。鉴于此,本文提出了一种新的基于单类分类器和分类器组合的类别增量学习方法框架。并且在该框架的基础上,围绕定转速和变转速下的滚动轴承智能故障诊断问题开展了一些研究工作。本文的主要内容及创新点如下:(1)为了解决定转速下滚动轴承智能故障诊断问题,本文提出了两种基于类别增量学习的故障诊断方法。第一个方法是基于支持向量数据描述理论,需要人工提取特征。它在训练样本到超球体中心距离的基础上构建了一种支持函数,该支持函数可以将多个类别下的支持向量数据描述模型组合用于滚动轴承多故障分类。第二个方法是基于降噪自动编码器理论,能够自动学习特征。它在训练样本经降噪自动编码器重构后的重构误差基础上构建了一种支持函数,该支持函数可以将多个类别下的降噪自动编码器组合用于滚动轴承多故障分类。在高速列车轮对轴承11种故障数据上的实验结果验证了所提出方法在诊断准确率方面具有优势。(2)为了解决变转速下滚动轴承智能故障诊断问题,本文也提出了两种基于类别增量学习的故障诊断方法。这两个方法分别是在(1)中所述两个方法的基础上,对其中数据预处理步骤加以修改。针对第一个方法,在数据预处理过程中增加了标准化和基于离散小波变换的信号分解两个步骤,使其可以提取变转速下的滚动轴承振动信号特征。针对第二个方法,在数据预处理过程中增加了标准化步骤,使其可以去除转速变化对重构误差计算的影响。在机械故障综合模拟实验平台采集的变转速下4种轴承故障数据上的实验结果验证了所提出的方法在诊断准确率方面具有优势。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33
【图文】：

故障统计,风力发电机,功率,滚动轴承故障诊断

图 1-2 功率 1-2MW 风力发电机故障统计[8]据驱动的滚动轴承故障诊断研究现状技的发展，旋转机械设备正朝着复杂化和大型化等方向发展理参数与失效机理在不同的工况下相差较大，并且一些如数无法使用一般的传感器直接测量。这些因素使得很难依建立精确的数学物理模型来表征滚动轴承的健康状态[9, 10]技术和通信技术的发展，一般都会在旋转机械设备的关键位的位置布置传感器用来采集设备的状态信号，这些状态信度等。如何从这些状态数据挖掘出与滚动轴承故障相关的信的故障诊断已经成为目前滚动轴承故障诊断领域的研究热据驱动的滚动轴承故障诊断技术是利用各种数据挖掘技术推理并得到相应的数学模型，该模型反映了状态监测数据映射关系[12]。如图 1-3 所示，基于数据驱动的滚动轴承故障

类别增量学习及在滚动轴承故障诊断中的应用

DNN4(150,50)结构

【参考文献】