基于两级DBN的滚动轴承故障自学习方法研究

发布时间：2020-10-30 12:29

　　 滚动轴承是旋转机械的重要部位,其工作状态的好坏直接影响整个设备的工作性能,且轴承运行环境复杂,极易发生故障,而轴承故障往往会造成严重的事故,因此,对滚动轴承进行准确的故障识别与分类是工程应用中至关重要的问题。随着现代工业的快速发展,更多的机械设备加入到工业生产,轴承故障频发,轴承故障呈现出一种“大数据”的特性,使得BP神经网络等其他浅层模型面临维数灾难等问题,且现场获取的故障数据往往是不完备和无标签的,因此,传统模式识别的方法很难建立有效的诊断模型,亟需具有自学习能力的诊断算法及模型的开发与研究,这已成为当前主要研究热点和亟待解决的问题之一。深度置信网络(Deep Belief Network,DBN)采用无监督逐层贪婪的训练方法,可避免特征提取与选择的人工操作,具有处理高维、非线性数据的能力,能有效地防止发生维数灾难等问题,非常适合处理新时期工业“大数据”的故障诊断难题。前期研究已表明,DBN的一个显著特点是可直接从低层原始信号出发,通过逐层贪婪学习得到高层特征表示,故本文从滚动轴承的原始数据出发,结合S变换和贝叶斯分类器,提出一种基于两级深度置信网络(DBN)的滚动轴承故障自学习方法,主要研究内容如下:(1)建立一个多隐层的DBN网络,在故障类型完备故障损伤等级不完备的情况下,直接将原始轴承故障数据归一化处理后作为DBN的输入,经过DBN的特征提取与分类器的分类,实现故障类型的准确识别,并将其与BP神经网络的分类效果进行了对比,结果表明DBN具有其他浅层网络不可比拟的特征提取能力。(2)利用DBN强大的特征提取能力,建立两级DBN滚动轴承故障自学习模型。首先,建立DBN1故障类型自学习模型,对原始轴承故障数据做S变换处理后,求取S变换模矩阵,其结果是一个二维矩阵,行代表频率,列代表时间,通过提取时间列的幅值均值信息作为DBN1的输入用于提取特征,将提取的特征作为贝叶斯分类器的输入,对贝叶斯分类器输出的后验概率划分合理的属于相同故障类型或不同故障类型的置信区间,实现故障类型分类模型的自学习。其次,建立DBN2故障损伤等级自学习模型,对实现故障类型识别的数据进行故障损伤等级的分类,把这些数据归一化处理后作为DBN2的输入用于提取特征,将提取的特征作为贝叶斯分类器的输入,选择与故障类型分类相同的置信区间划分方法,实现故障损伤等级分类模型的自学习。最后,通过该两级DBN分类模型实现轴承故障类型与损伤等级的智能分类。
【学位单位】：内蒙古工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH133.33
【部分图文】：

的典型故障及其数据来源活中应用广泛，由于长时间处在高速障，从而造成不可挽回的损失，因此需大限度的发挥轴承的工作潜力，减少财障形式，以便制定合理的处理方案。构及其典型故障圈、外圈、滚动体和保持架四个部分圈作为支撑，和轴承座相配合；滚动体的形状、大小以及数量对滚动轴承的使滚动体均匀分布，引导滚动体旋转，起

图 2-2 轴承试验装置Fig.2-2 Bearings Test Device故障类型对应不同的故障特征频率，特征频率的计算可根据轴承信计算方法如下：频率：(1cos)2160 Ddnrfo频率:(1cos)2160 Ddnrfi障频率：[1()cos)216022 DddrDfb r 为轴承转速，单位转/分钟；n 为滚珠个数；d 代表滚动体直径；为滚动体接触角。

（c）滚动体信号 （d）外圈信号图 2-3 四种类型振动信号在故障损伤等级为 0.007inch 时的 S 变换时频谱图Fig.2-3 S transformation time-frequency diagram of four types signals of failure level for four types vibration signals is 0.007inch（a）内圈信号 （b）滚动体信号
【参考文献】

相关期刊论文 前3条

1 李艳峰;王新晴;张梅军;朱会杰;;基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法[J];上海交通大学学报;2015年05期

2 耶晓东;;滚动轴承故障振动信号的分析方法研究[J];煤矿机械;2012年12期

3 侯树杰;;时频分析方法对比及S变换在地震数据处理中的应用[J];油气地质与采收率;2011年03期

相关硕士学位论文 前7条

1 刘晶;基于能量算子的滚动轴承故障诊断研究[D];华东交通大学;2018年

2 田浩;基于HHT和XGBoost的风电机组滚动轴承故障诊断研究[D];新疆大学;2018年

3 王振华;基于ESMD和SVM的滚动轴承故障诊断研究[D];陕西理工大学;2018年

4 刘向宇;免疫自适应的深度卷积神经网络故障诊断应用研究[D];太原理工大学;2018年

5 张士强;基于深度学习的故障诊断技术研究[D];哈尔滨工业大学;2018年

6 赵怀山;基于时频分析的滚动轴承故障诊断方法研究[D];西安理工大学;2017年

7 孙长苹;S变换地震信号薄层预测处理技术[D];东北石油大学;2011年

本文编号：2862478