摘要
轴承作为各种机械设备的重要支撑部件，其运行状况对整个设备甚至整个生产线都有决定性的影响。及时发现轴承的故障能够降低设备运行风险、提升设备维修水平，故对轴承进行健康状态检测及故障诊断是非常有必要和有意义的。传统的故障诊断技术，无论是信号分析还是特征提取，都与专家经验和先验知识息息相关，需要较多人工的参与，且诊断的精确度较低。而面对日趋复杂的工作环境，振动信号的耦合度也越来越高，传统故障诊断方式的劣势逐渐显露。针对上述问题，本文研究了深度学习技术，并将其应用于滚动轴承的故障诊断领域，过程中不需要任何的手工特征提取及专家经验知识，真正实现了端到端的故障识别，本文主要研究内容总结如下: 针对单纯采用卷积神经网络处理时序数据会造成原始信号丢失的缺点，将一维卷积神经网络与长短时记忆网络相结合，提出一种新的端到端的轴承智能故障诊断方法(简称:1DCNN-LSTM)。首先，将振动加速度传感器采集的原始时序数据作为诊断模型的输入;其次，采用一维卷积神经网络自适应地从原始轴承信号中提取鲁棒性特征，采用最大池化层与平均池化层相结合的池化策略对特征进行下采样操作，在保证特征有效性和显著性的同时，提取更多的特征;然后利用长短时记忆网络来学习特征之间的依赖关系，增强特征之间的关联性，并采用合适的激活函数及反向传播优化算法提高识别精度。最后，采用Softrnax函数输出故障类别，实现故障诊断。实验表明，1DCNN-LSTM在CWRU和XJTU-SY数据集上都能实现99.5％以上的识别率。 分析1DCNN-LSTM模型在参数设计过程中的实验结果得出，不断地堆叠网络层数不仅会增加训练时间，还会降低模型的分类精度，模型性能不再进一步提升，而且抗噪能力较差。针对这一问题，提出一种基于一维残差神经网络的诊断方法(DC-ResNet)，该方法以一维时间序列数据作为输入。在卷积层中引入复合扩张卷积，有效地扩大了卷积层的感受野，能够从数据样本中获取更多的特征信息。残差块的使用能够保证在增加网络层数的同时，有效避免梯度爆炸或梯度消散等问题，使模型学习到更深层次的特征，有效避免了过拟合，实现了准确、可靠的轴承故障识别。实验表明，改进的模型拥有更高的识别精度。在定负载工况下，模型在数据集B下的精度为99.7％，其余数据集下均达到100％的精度，更适合处理复杂环境下滚动轴承故障的准确识别，可推广应用于各种旋转机械的故障诊断。 为了全面分析所提出模型的适应性及优越性，以源域和目标域的负载及信噪比作为度量标准，对模型进行域自适应实验，并将实验结果与其他基于深度学习的方法和经典方法进行对比分析，进一步验证了所提出方法的有效性和实用性。
NETL