摘要
滚动轴承是组成机械设备的重要部件，是保证设备安全运行和工业安全生产的基本条件。若轴承在工作中出现轻微的故障，都可能会导致设备工作性能下降或者设备停机，从而导致严重的经济损失和人员伤亡。因此，有效的轴承故障诊断方法备受关注。在故障诊断领域中，传统的机器学习方法受限于信号特征提取，且此类方法诊断过程繁琐，在海量数据下依赖手工特征提取十分困难。但是，深度学习拥有自动处理信号特征的实力以及强大的数据处理能力，为复杂工况下准确、高效的故障诊断提供了可能。本论文主要利用深度学习算法进行轴承故障诊断，重点研究算法如下： （1）利用机器学习算法进行故障诊断时，通常需先对振动信号进行处理，然后在利用提取到的相关特征信号进行诊断，此类方法容易造成数据丢失、诊断准确率低的问题。因此，提出了直接输入原始数据的基于双向门控循环单元（Bi-GRU）的轴承故障诊断算法，保证原始振动数据不被破坏。利用凯斯西储利用凯斯西储大学轴承数据集进行验证，在0Hp负载条件下诊断准确率达到99.25%，但其模型泛化性较差。 （2）单一深度神经网络模型具有训练时间长、泛化能力弱的缺点，针对这些不足，对模型进行改进，提出了基于一维卷积注意力门控循环网络（1DCNN-BIGRU-Attention）的轴承故障诊断算法。一维卷积网络用来提取特征信号和加快训练速度，且用最大池化层代替全连接层作为1DCNN层与BIGRU层之间的连接,避免这部分特征的丢失；通过增加注意力机制层，解决长序列数据识别率低的问题。利用美国凯斯西储大学轴承数据集进行验证，在不同负载情况下，其故障诊断准确率均在99%以上，提高了模型泛化能力。 （3）在实际机械设备运行中，滚动轴承面临着复杂的工作环境，因而轴承故障数据的提取存在数据样本提取困难和样本分布不均的问题。但是迁移学习能够实现数据在不独立同分布情况下的故障诊断算法。因此，本文设计提出了基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断算法，首先利用充足的源域数据训练网络，冻结训练好的网络底层结构，再利用少量目标域数据对网络顶层结构进行微调，得到目标网络模型。实验结果表明，在小样本和变工况条件下，模型的诊断准确率均在97%以上，说明迁移学习能够增强模型在变工况下以及小样本下的诊断能力。
NETL