基于深度卷积神经网络与WPT-PWVD的轴承故障智能诊断

发布时间：2021-01-16 03:13

　　针对轴承故障诊断中人工提取特征依赖经验,且泛化性和自适应能力弱等问题,提出一种基于深度卷积神经网络（DCNN）与WPT-PWVD的智能故障诊断新方法。①利用小波包变换（WPT）将轴承故障信号进行自适应分解以提取有效高频成分并进行重构;②利用希尔伯特算法对重构信号做包络解调并进行伪魏格纳分布（PWVD）以得到能揭示轴承主要故障信息的时频图;③构建DCNN网络对轴承故障时频图自动学习提取故障特征,并通过在DCNN特征输出层后添加的Softmax多分类器进行网络参数微调,将特征自动学习提取与故障分类融为一体,实现轴承故障智能诊断。使用所提方法对不同工况、不同故障程度及不同故障类型的轴承进行诊断,结果证明了所提方法诊断精度高,且泛化能力强。 

【文章来源】：振动与冲击. 2020,39(16)北大核心

【文章页数】：8 页

【部分图文】：

单层卷积神经网络

小波包变换方法是一种处理非线性、非平稳信号的时频分析方法,具有自适应窄带滤波、全频率域渐细分辨能力等特点[12]。如图2所示,WPT不仅能对信号低频成分进行分解,还能对高频成分进一步分解。随着分解级数增加,小波包系数Wmn可对信号进行不同程度表征以揭示不同频带信息。若对轴承信号进行i层小波包分解,则其中m=i,n=2i-1。令i=3,则小波包分解中,其低频系数为W30,高频系数为W31,W32,…,W37。考虑到轴承发生故障时冲击信号会被调制到轴承系统的高频共振带中[13],故可选取有效高频成分并重构以提取故障信息。

步骤2 小波包分解。利用WPT方法将轴承不同故障信号自适应分解到多个频带上(3层小波包分解,db1为小波基)。如图3所示,为将轴承内圈故障WPT分解前5个分量重构后得到的信号。步骤3 高频成分选择。由于轴承出现故障时会产生明显的冲击信号且易被调制到高频共振带中,故这些频段内通常包含着丰富的故障信息,故本文通过计算小波包能量来选取有效高频分量并进行Hilbert解调以揭示故障信息。如图4所示为小波包能量值,可观察到在(3,2)以及(3,6)节点所处高频区内能量值最集中,明显包含了被调制后的轴承故障冲击信号。


本文编号：2980046