摘要
滚动轴承是机械设备中不可或缺的零部件，它是否正常运行和健康状态对于机器的性能、寿命和可靠性都具有重大的影响，故对其进行智能故障诊断和状态监测意义重大。滚动轴承信号大多为一维信号，对数据进行预处理会增加故障诊断的步骤，而且使用单一结构对原始数据进行特征提取会导致提取特征不全面。多数智能诊断方法基于训练数据和测试数据同分布，而在机器实际工作时，数据分布因工作条件的改变而发生变化进而限制故障诊断网络模型的泛化能力。多尺度方法、迁移学习中的领域自适应和领域泛化方法的引入为解决特征不充分以及不同数据分布下的轴承故障诊断问题提供了新思路。论文主要研究内容如下： 针对如何全面提取轴承振动信号时序特征并实现端对端故障诊断的问题，研究了一种轻量级的一维多尺度空洞卷积神经网络(1DMSDCNN)模型，以原始数据作为输入，无需专家先验知识，同时能更全面的提取轴承故障特征。利用一维空洞卷积增大感受野提高分辨率、多尺度方法可以融合不同尺寸卷积核所提取的丰富特征、CBR网络层减少训练参数加速模型收敛的特点，1DMSDCNN可以全面提取滚动轴承故障的深度特征，最后通过Softmax分类器完成类别分类，通过实验证明了该网络模型是一种有效的滚动轴承智能故障诊断网络。 针对不同工况下，目标域无标签的问题，在领域自适应的理论框架下，研究了多表示动态自适应(MRDA)的滚动轴承故障诊断方法。该方法首先利用MMD和WCMMD测量源域和目标域的边缘分布距离和条件分布距离，通过A?distance计算得到的权衡因子?评估边缘分布距离和条件分布距离的比重，从而构成了动态分布距离(DDD)；然后提出多表示自适应结构(MRDAM)替代1DMSCNN的全连接层，形成一维空洞多表示动态自适应迁移网络(1DDMRDATN)，MRDAM利用多个子结构提取不同的表示分布，并利用?将每个表示分布进行动态分布对齐，有利于学习到更多的不变特征；最后利用Adam优化器优化了由多个DDD构成的距离损失之和和标签损失构成的目标损失，对不同工况下滚动轴承故障实现了高精度的识别。实验结果表明，1DDMRDATN不仅具有较高的故障分类准确率，还有较强的泛化能力。 针对未知工况下，目标数据无法获得的问题，在领域泛化的理论框架下，研究了一维空洞多表示域泛化迁移网络(1DDMRDGTN)。该网络首先通过知识蒸馏框架学习傅立叶相位变换的域内不变特征，抓取数据的内在语义信息；利用MRDA算法获得域间不变特征，得到共有的特征知识；然后，采用L2距离函数最大正则化域内不变特征和域间不变特征，形成正则损失，减少域内不变特征和域间不变特征之间可能存在的重复和冗余，获得更多的不变特征。最后，由分类、域内不变特征学习、域间不变特征学习、正则损失构成的损失函数对该模型进行优化，实现了对未知工况故障样本的分类。在实验数据集上针对单个或多个未知工况进行验证，实验结果表明，1DDMRDGTN故障识别准确率最高，证明了该方法的有效性。 本文提出的方法在美国凯斯西储轴承数据集和帕德博恩大学轴承数据集上进行了验证，并与传统的主流方法进行了比较实验。实验结果显示，该方法的预测精度最高且整体性能优异。
NETL