摘要
随着机械设备在现代工业中广泛使用，其功能和复杂性也在不断增加，轴承作为机械设备中应用最广泛的零部件之一，其健康状态直接关系到机械设备能否长期安全可靠地运行，由于经常在高温、高速、重载等恶劣条件下运行，轴承容易发生各种故障，一旦发生故障可能会带来重大经济损失，甚至引发安全事故。因此，对轴承进行故障诊断及寿命预测具有重要意义。 卷积神经网络(ConvolutionalNeuralNetwork,CNN)可以自动从轴承振动信号中挖掘不同层次特征，已成为解决轴承故障诊断及寿命预测问题的重要技术之一。本文针对轴承故障诊断及寿命预测中特征提取困难、模型泛化性较差等问题，基于卷积神经网络开展轴承故障诊断及寿命预测研究，本文的主要研究内容包括: (1)基于改进LeNet-5时频分析的轴承故障诊断研究。针对轴承故障诊断中特征提取困难、诊断精度低等问题，提出了一种基于改进LeNet-5时频分析的轴承故障诊断方法。首先将轴承振动信号经短时傅里叶变换转化为时频图，引入可变形卷积改进LeNet-5模型，可变形卷积通过学习可偏移向量，以适应不同故障类型的时频图，根据时频信息分布自适应调整感受野，丰富网络的特征表达能力;采用SeLU激活函数代替LeNet-5模型中的Sigmoid激活函数，既能避免训练过程中出现梯度消失和梯度爆炸问题，又能避免使用ReLU激活函数带来的神经元死亡问题。在江南大学轴承数据集上进行实验，验证了所提方法的有效性和泛化性。 (2)基于改进深度残差收缩网络的轴承故障诊断研究。针对轴承故障诊断中复杂故障识别困难、模型鲁棒性差等问题，提出了一种基于改进深度残差收缩网络的轴承故障诊断方法。引入ECA注意力模块改进深度残差收缩网络，通过ECA注意力模块赋予故障信息不同的权重，减少有效信息丢失。改进的深度残差收缩网络通过残差连接提高模型稳定性，并重点关注具有区分度的细节特征，提升软阈值效果，能够充分挖掘时序信号间的潜在特征和有效信息并进行故障识别。在PU轴承数据集和货车轮对轴承数据集上进行实验，验证了所提方法的有效性和鲁棒性，实现了端到端的智能故障诊断。 (3)基于CNN-TCN模型的轴承剩余寿命预测研究。为有效刻画轴承随时间变化的演变规律，结合卷积神经网络和时间卷积网络(TemporalConvolutionalNetwork,TCN)各自的优势，提出了一种基于CNN-TCN模型的轴承剩余寿命预测方法。该方法直接将获取的原始轴承振动信号作为模型输入，通过CNN自动提取不同层次特征信息，结合TCN对时序信号的处理能力，充分挖掘轴承振动信号间的时序关联性，构建健康指标，并确定失效阈值，采用五点三次平滑法对获取的健康指标进行平滑，过滤冗余信息，最后，利用一次线性函数拟合退化趋势，实现轴承剩余寿命预测。在PHM2012滚动轴承加速寿命试验数据集上进行实验，验证了所提模型的优越性，此外，所提模型在参数量和运行时间上相较于其它时序模型也具有一定优势。
NETL