摘要
自动倾斜器是直升机旋翼的重要动部件之一，而滚动轴承是自动倾斜器中核心部件，若其发生故障极易引发飞行事故，危及飞行员的生命安全。因此，研究直升机滚动轴承故障诊断技术意义重大。 现有基于深度学习的直升机滚动轴承故障诊断方法，在故障样本不足时，存在诊断效果不佳，模型参数量和计算量大的问题。又因，直升机滚动轴承振动信号具有非平稳、非线性的特点，并夹杂非敏感故障特征信息，导致网络模型对周期信号过于敏感，不能充分利用故障信息的问题。针对上述问题，采用自适应VMD-CWT图谱和轻量化网络开展了直升机轴承故障诊断技术研究。主要工作内容和研究成果如下： (1)介绍了相关理论基础。首先，阐述了经验模态分解和VMD方法的基础原理；然后，介绍连续小波变换的方法构造二维特征图的原理。 (2)提出了基于自适应VMD-CWT图谱的生成。首先，说明了两种数据集的振动信号分解及故障特征信息提取的准则；其次，提出了自适应VMD-CWT图谱的构造方法，并采用直方图均衡化对VMD-CWT图谱进行增强；最后，将自适应VMD-CWT获取振动信号敏感故障特征信息的方法与其它数据集预处理方法做实验对比，验证了本文方法的优越性。 (3)提出了基于改进SqueezeNet直升机轴承故障诊断方法。首先，针对经典的SqueezeNet模型的不足之处，提出改进的SqueezeNet模型，该模型借鉴VGG16模型的思想，在经典的SqueezeNet基础上，采用3个3?3卷积核代替1个7?7卷积核，实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量；其次，通过大量实验确定最佳的故障诊断网络模型，并采用课题组和西储大学数据集进行真实故障诊断实验，验证了模型在样本数据不足时的诊断性能；最后，在同等条件下，和多种方法开展对比实验，验证了本文方法在轻量化和小样本方面的优越性。
NETL