基于压缩采集的轴承智能故障诊断方法研究

发布时间：2020-11-19 11:41

　　 滚动轴承作为旋转机械结构的主要部件,广泛应用于设备传动系统中。为保证设备可靠运转,对轴承故障及时准确地诊断具有重要研究意义。目前基于时域振动信号,利用信号处理技术实现智能故障诊断是轴承状态监测的研究热点。本文在压缩感知(CS)和深度学习研究成果的基础上,研究了压缩采集分别与堆叠稀疏自编码和稀疏滤波结合的两种轴承智能故障诊断方法。首先,针对传统轴承故障状态监测系统面临海量数据的压缩存储、信号处理计算成本和通信信道带宽需求增加等问题,研究了基于CS理论的轴承信号压缩采集方法,该方法可以从源头降低采集数据量,实现数据采集到信息采集的转变。通过对压缩观测值故障信息有效采集的分析,得出压缩采集能够有效获取并保留原信号的故障信息,为后续直接处理轴承振动压缩采集数据提供理论支持。其次,针对传统轴承故障诊断方法在处理海量数据时,存在特征提取效率低、主观性强及过度依赖先验知识等问题,提出了在不重构原信号的前提下,结合深度神经网络(DNN)的轴承智能故障诊断方法。该方法首先构建基于堆叠稀疏自编码的DNN模型;然后利用该模型的特征挖掘能力,直接对高信息含量的压缩观测值完成自适应的特征提取与故障诊断。实验结果表明,所提方法与传统轴承故障诊断方法相比,能够对不同轴承故障类型实现准确有效的诊断识别。最后,针对DNN模型存在可调参数过多及训练时间复杂度高等问题,提出了结合稀疏滤波和特征降维的轴承智能故障诊断方法。该方法首先利用稀疏滤波模型对压缩采集数据进行特征提取;然后采用近邻保持嵌入算法完成特征降维处理;最后利用分类器实现故障类型的识别与诊断。实验结果表明,结合稀疏滤波和特征降维的方法可以有效的提升最终识别准确率,且与结合DNN方法相比,能够大幅降低模型训练时间与周期。
【学位单位】：燕山大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.3;TN911.7
【部分图文】：

图 2-2 压缩感知压缩采样方法以信号稀疏性作为先验条件的采样理论，采用与稀疏基不相关观测，即实现对被测信号的压缩采集，最后利用重构算法从为数号中还原初始信号。因此，可以说基于 CS 理论的压缩采集实现采样的转变。故障信号的压缩采集承信号的来源所采用的轴承振动数据来自于美国西储大学轴承数据中心[52]，轴所示的实验台采集得到。该实验台是由左边 3 马力(Horsepower矩传感器、右边的功率计及在图片中未显示的电子控制台。

第 2 章 基于压缩感知的轴承信号采集方法研究信号处理相关理论可知时域冲击信号具有较宽频谱[54]。而且故障冲击频谱通常包含有轴承固有的振动频率，因此在故障冲击的作用下轴承会产生非常剧烈的共振现象，最终导致宽频带、高能量的中频段的出现[55]。通过轴承振动信号的频谱可发现，高频段频谱所占能量最低，通常包含一些高频噪声。

- 13 -a) DCT 分解系数 b) WPT 分解系数图 2-5 四种状态的 DCT 系数及其 WPT 系数(1)正常状态，(2)内圈故障，(3)滚动体故障，(4)外圈故障在前面一部分中展示了轴承故障振动信号的频谱，并对其频谱成分及产生机理进行了详细分析与研究。与原始信号时域波形相比，尽管在频域中以显示出一定的
【参考文献】

相关期刊论文 前7条

1 雷亚国;贾峰;周昕;林京;;基于深度学习理论的机械装备大数据健康监测方法[J];机械工程学报;2015年21期

2 王学伟;苏丹;袁洪芳;王琳;;小波包多级树模型管道泄漏信号压缩感知方法[J];仪器仪表学报;2014年03期

3 李鑫;;小波分析在滚动轴承故障信号处理中的应用[J];国外电子测量技术;2013年06期

4 焦李成;杨淑媛;刘芳;侯彪;;压缩感知回顾与展望[J];电子学报;2011年07期

5 石文磊;陈兴明;袁海龙;;基于EMD和Hilbert包络谱的滚动轴承故障诊断[J];机械工程与自动化;2010年05期

6 陈雪峰;曹宏瑞;何正嘉;;数字化制造装备的主轴服役性能监测与诊断[J];机械工程学报;2009年05期

7 贾民平;杨建文;;滚动轴承振动的周期平稳性分析及故障诊断[J];机械工程学报;2007年01期

本文编号：2889989