基于深度残差收缩网络的滚动轴承故障诊断方法研究.pdfVIP

摘要

滚动轴承作为旋转机械中重要的零部件之一，广泛应用在医疗器械、交通运输、

工业电机等机械设备中，其健康状态直接影响机械设备的安全运行。因此对滚动轴承

进行状态监测和故障诊断具有重要意义。本文以滚动轴承为研究对象，采用信号处

理、深度学习、迁移学习等理论对不同条件下的滚动轴承进行故障诊断研究。本文的

主要研究内容如下：

针对滚动轴承的含噪振动信号特征提取困难的问题，采用最大相关峭度解卷积

增强故障的周期性冲击。由于最大相关峭度解卷积受多个参数影响，因此提出了北方

苍鹰算法优化最大相关峭度解卷积的滚动轴承故障诊断方法。该方法以包络谱峰值

因子作为适应度函数，利用北方苍鹰算法强大的全局有哪些信誉好的足球投注网站能力自适应地选择最优参

数组合。仿真与实验结果表明，北方苍鹰算法与灰狼优化算法、粒子群优化算法相比，

具有更快的收敛速度和更高的寻优精度，对解卷积之后的信号进行包络解调，故障频

率及其倍频更加明显，所提出的方法可以在噪声环境下自适应地提取滚动轴承的故

障特征频率。

当面对大量的故障振动信号时，传统的信号处理方法耗时费力，提出了改进深度

残差收缩网络的滚动轴承故障诊断方法。深度残差收缩网络中的软阈值函数会消除

有关故障信息，导致故障诊断准确率下降，因此采用改进的阈值函数代替原有的软阈

值函数，从而降低噪声影响，采用Mish激活函数代替传统的ReLU激活函数，增强

网络的非线性表达能力。首先将不同噪声背景下的振动信号通过连续小波变换转化

为时频图像数据，然后采用两种不同的实验验证所提方法的有效性。结果表明，在第

一种实验数据中，当信噪比为-5dB时，与卷积神经网络、深度残差网络、深度残差

收缩网络相比，所提方法的识别准确率分别提高了23.33%、4.83%和4.17%；在第二

种实验数据中，当信噪比为-4dB时，与卷积神经网络、深度残差网络、深度残差收

缩网络相比，所提方法的识别准确率分别提高了16.66%、4.66%和3.33%。

针对变工况下滚动轴承故障数据分布不一致从而出现故障诊断率下降的问题，

提出了子领域自适应的变工况滚动轴承故障诊断方法。该方法将前述的改进深度残

差收缩网络模型作为骨干网络，在域适应层中采用局部最大均值差异准则对齐源域

和目标域之间同一类别子域的分布。将源域和目标域的振动信号通过连续小波变换

转化为时频图像作为模型的输入，采用两种不同的实验验证所提方法的有效性。结果

表明，与深度相关对齐域适应、深度域混淆、深度自适应网络相比，所提方法在第一

种实验数据中平均故障诊断率分别提高了5.1%、4.47%、2.12%，在第二种实验数据

中平均故障诊断率分别提高了10.6%、8.89%、3.58%。

关键词滚动轴承；最大相关峭度解卷积；深度残差收缩网络；故障诊断；迁移学习

Abstract

Asoneoftheimportantpartsofrotatingmachinery,rollingbearingiswidelyusedin

medicaldevices,transportation,industrialmotorsandothermechanicalequipment.Its

healthstatusdirectlyaffectsthesafeoperationofmechanicalequipment.Therefore,the

conditionmonitoringandfaultdiagnosisofrollingbearingisofgreatsignificance.Inthis

dissertation,thefaultdiagnosisofrollingbearingsunderdifferentconditionsisstudiedby

usingthetheoryofsignalprocessing,deeplearning,transferlearningandsoon.Themain

contentsofthisdissertationareasfollows:

Aimingatthedifficultyoffeatureextractionofnoisyvibrationsign