摘要
滑动轴承作为旋转机械中不可或缺的部件之一，被广泛应用于高负载、高转速的机械设备中，如内燃机、水轮机、汽轮机等。其运行环境往往较为恶劣，且连续运行的时间非常长，因此也是比较容易出现故障的部件之一。对轴承的健康状态进行有效检测，保证设备的长久运行，能够避免很多不必要的损失，具有很重要的工程意义。传统油液、温度检测等方法具有一定的滞后性，而声发射技术可以实现在部件故障的早期接收到其所释放的声发射信号，从而实现对部件的早期故障进行预警。声发射信号中包含有更丰富的信息量，具有更宽的信号频率范围，且其高频应力波不易于受到环境噪声的干扰。将声发射技术运用于滑动轴承的故障诊断中，能够在滑动轴承即将失效之前提前作出反应，避免由于滑动轴承失效而造成严重后果。卷积神经网络能把采集到的原始信号直接作为输入，通过对大量数据进行训练来获取其中的规律，实现对海量声发射信号的学习。本文以可倾瓦滑动轴承为试验对象，利用声发射传感器获取轴承的正常信号和故障信号数据，基于多特征融合卷积神经网络对其进行特征学习,实现对轴承不同工况下的故障状态识别。论文的主要工作如下: 1.获取了可倾瓦滑动轴承的正常信号数据与故障信号数据。搭建了可倾瓦滑动轴承故障诊断试验装置，以人工加工划痕和干摩擦等方式获取可倾瓦滑动轴承的划痕和烧伤故障形式，并使用声发射设备获取了轴承在正常与不同故障状态下、不同温度、不同负载、不同转速等工况条件下的声发射数据。 2.优化了卷积神经网络参数。以不同故障状态的声发射数据作为输入，基于AlexNet神经网络探究激活函数、批大小、核尺寸、核数量等等不同超参数对故障识别效果的影响规律，确定最优超参数组合，为后续进一步研究奠定基础。 3.基于AlexNet提出了改进的多特征融合卷积神经网络，并将该网络应用于可倾瓦滑动轴承的故障诊断中。将多传感器数据同时作为输入，扩大模型可以学习的数据量，并用SE模块重新分配各个通道的权重。提出了 Inverse-Add模块对轴承周期特征进行学习，同时通过跨度卷积的方式对信号的时频特征进行学习。 4.将改进的多特征融合卷积神经网络与其他常用模型进行对比试验研究，验证改进的多特征融合卷积神经网络模型的可行性和优越性。最后，将改进的多特征融合卷积神经网络模型应用于可倾瓦滑动轴承复杂工况的故障诊断中，试验结果表明:以温度变化、负载变化以及温度-负载-转速变化的复杂工况条件下的故障数据作为输入时，模型故障诊断准确率能够达到97.6％、91.4％、95.2％,该模型能够适应不同工况下的诊断工作。
NETL