摘要
滚动轴承作为旋转机械中最常用的零件之一，其会由于旋转机械的工作环境恶劣等因素而导致损坏，进而导致停工停产，甚至导致重大财产损失或者人员伤亡，因此非常有必要对轴承进行状态监控和故障诊断研究。智能故障诊断作为近几年最热门的故障诊断方向，其以识别准确率高，无需提前知道故障特征频率等优点被广泛科研工作者所研究。 本文首先推导出单点故障时滚动轴承故障特征频率的计算公式。然后介绍神经网络中重要的理论基础，并推导出神经网络参数梯度下降训练法公式。 针对强噪声背景的振动信号直接导入到故障识别模型中，故障诊断效果不强的问题，研究强噪声背景下的降噪算法。研究最大二阶循环平稳盲反褶积（MaximumSecond-orderCyclostationarityBlindDeconvolution，CYCBD），针对CYCBD中逆滤波器长度选取的问题，使用食肉植物优化算法（CarnivorousPlantAlgorithm，CPA）进行优化，研究权重排列熵（WeightedPermutationEntropy，WPE），并将WPE作为CPA中适应度函数，通过仿真信号实验研究和确定适应度阈值。为了测试所提新型算法的降噪性能，在强背景噪声下的仿真信号和加速寿命实验下的多点故障轴承振动信号下进行实验，结果显示降噪后信号的噪声成分较降噪前信号有明显的降低。 使用信号处理等方法需要提前知道测试信号的故障特征频率，对于多点故障或者复合故障场景，其故障特征频率往往很难通过故障机理进行求解，因此研究数据驱动的故障诊断方法。研究密集卷积神经网络（Densenet）和胶囊神经网络（CapsuleNetworks，CapNet），提出一种密集胶囊神经网络（DenseCapsuleNetworks，DCN），DCN即具备强特征提取能力的分类能力，无需借助其他特征提取方法提高其故障识别能力。针对故障诊断场景，结合CPA-CYCBD和DCN，提出一种新型故障诊断流程。为了测试所提新型故障诊断流程的性能，在两组公开数据集上进行实验，实验过程中考虑故障直径、载荷和复合故障的影响，结果显示本文所提方法在两组数据集上均有良好的故障诊断性能。和近三年应用在同组数据集上的方法对比，结果显示所提方法在故障识别准确率和实验设计上均有一定的优势。
NETL