摘要
滚动轴承长期服役于瞬变转速和时变载荷等复杂工况下，不可避免地产生疲劳、磨损甚至腐蚀等不可逆损伤，致使轴承成为整个机械系统中可靠性最为薄弱的部件。若不对轴承故障进行监测评估而任由其发展，轻则生产停滞造成经济损失，重则引发严重的安全事故。因此，有效监测和准确评估滚动轴承的运行状态，对机械设备的运行故障进行及时预警，对提升机械设备运行可靠性和保障设备正常运转至关重要。 然而，滚动轴承监测数据的采集受到服役环境复杂多变、故障类型多样、应用环境制约和现实安全性考虑等多种因素的影响，所采集的轴承数据集通常具有不完备性，表现为样本数量稀少、样本标签缺失和各类样本数量不平衡等特点。现有故障诊断方法往往依赖于充足且类间平衡的带标签数据样本，难以解决不完备数据集带来的模型学习能力下降和泛化性能降低等问题，在数据不完备条件下的轴承故障诊断应用中的效果较差。因此，针对轴承数据集不完备性的具体特点开展相应的故障诊断研究，是滚动轴承健康管理评估的重要需求。本文围绕小样本、标签缺失和数据不平衡等数据不完备条件下的滚动轴承故障诊断所涉及的重要技术进行分析和研究，具体内容如下： （1）针对深度学习方法需要较为充足的数据样本问题，构建一种仅需少量样本便能够达到较好识别效果的模型结构和训练策略。该模型通过在深度卷积网络中引入自适应批量标准化模块和网络注意力机制，提升了模型对故障状态特征的学习和泛化能力。为减少网络所需的训练参数量并防止网络过拟合，进一步提出一种基于深度参数迁移学习的网络训练策略，利用现有公开数据集对网络进行预训练，在正式训练过程中精调网络中靠近输出层的部分参数，确保网络在仅需训练较少参数的情况下获得较好的泛化性能，提升了小样本条件下的滚动轴承故障状态识别率。 （2）针对工业现场难以采集带标签数据的问题，构建一种基于联合分布自适应的跨域故障诊断方法，通过充足且高质量的实验室人工损伤轴承数据，构建无标签真实故障数据的识别模型。该方法通过构建并行深度领域自适应网络，对源域和目标域的信号特征进行分别建模，利用联合分布自适应模块去学习跨域特征间的分布差异，提升特征复用能力和知识迁移性能。该方法充分考虑服从不同分布的特征间的相关性，通过进一步限制并行网络之间的相关性，赋予了跨域诊断网络更强大的学习能力，能够充分应对自然轴承损伤和真实损伤之间的故障特征分布，对无标签的真实损伤轴承取得了良好的故障诊断识别准确度。 （3）针对实际工业应用中的轴承数据通常存在类间样本不平衡且数据分布差异性的特点，构建一种基于混合数据增强（ReMix）并结合改进的强-弱监督深度域对抗网络模型（MiDAN），利用带有模糊标签的新样本来提升网络对少数类样本的关注度，并通过强-弱监督模块分别对源域和目标域数据进行强监督学习和弱监督学习，将学习到的伪特征作为域对抗学习模块的输入，通过动态对抗训练完成特征分布的自适应学习。该方法能够在数据不平衡下对特征之间的分布差异进行建模和学习，提升模型在数据不平衡条件下的跨域故障诊断任务的识别准确率。 （4）滚动轴承故障诊断实用化研究。为进一步增强所提方法的实用性，根据所提不完备数据条件下的故障诊断算法提出相应的故障诊断系统功能模块和整体框架，开展滚动轴承故障诊断系统实用化研究。该滚动轴承故障诊断系统集成了数据分析和智能化故障诊断模块，包含用户管理模块、数据获取模块、数据分析与预处理模块和智能化故障诊断模块四个基本模块。该系统将数据输入、数据分析和结果展示等功能进行集成与可视化，可直接将已有模型应用于数据不完备条件下的故障诊断任务之中，为故障诊断与分析的相关应用提供了便利。该系统有利于推动滚动轴承故障诊断的实用化进程，对提升轴承故障诊断的信息化管理水平具有积极意义。
NETL