摘要
近年来，随着智能制造战略的大力推广，机械设备在石油化工和航空航天领域的广泛应用，滚动轴承作为工业设备中重要的零部件，被誉为“工业的关节”，在长时间的运行状态下，极易发生故障或损坏，其安全稳定运行是机械设备性能的重要保障。国务院印发的《中国制造2025》特别强调设备健康维护技术的发展，滚动轴承的健康管理（Prognostic and Health Management，PHM）是目前众多学者研究的热点课题，准确的预测可以为机械设备检修提供重要依据。而在工业信息化和大数据化的发展下，深度学习可以利用其强大的学习能力对数据样本进行分析和处理。本文主要围绕滚动轴承的振动信号进行多信息特征指标提取，通过多信息融合特征的提取和不同的深度学习网络模型实现滚动轴承的健康管理研究，主要研究内容如下： （1）针对轴承运行状态特征难以表征的问题，提取振动信号的多熵指标特征，以提高特征提取的准确性。利用去噪自编码器（Denoising Autoencoder，DAE）强大的特征提取和降维能力，提出一种基于多信息熵融合和 DAE 的滚动轴承运行状态监测方法，解决了单一特征指标信息表征不明显和特征筛选过程中遗漏信息的问题。利用Bray-Curtis距离构建滚动轴承运行过程中的健康指标（Health Index，HI），考虑到失效阈值选取不准确的问题，将 HI 的均方根值跳变时刻视为失效时刻构建失效阈值，通过试验验证提出方法的有效性。 （2）针对传统剩余寿命预测（Remaining Useful Life，RUL）模型中存在预测精度低、鲁棒性和泛化性较差的问题，提出了一种融合卷积自编码器（Convolutional Autoencode，CAE）和双向长短期记忆网络（Bidirectional Long Short Term Memory Network，BiLSTM）的滚动轴承剩余寿命预测模型，进一步提升模型的数据捕捉和预测能力。由于卷积操作的引入使得 CAE具有权重共享的特性，因此降低了模型的复杂度。通过模型训练挖掘数据内在信息的特性，增强模型对重要信息的关注程度，最后利用指数加权移动平均法对预测数据进行降噪处理，试验结果表明所提出的无监督算法可以实现大部分数据集的剩余寿命预测。 （3）为解决滚动轴承故障诊断中分类准确率低的问题，再次应用多信息融合思想对振动信号进行多信息融合特征提取，提出改进多熵融合矩阵和多尺度卷积神经网络（Multi-scale Convolutional Neural Network，MSCNN）的滚动轴承故障诊断方法。采用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）获得原始信号的多个模态分量，提取其多信息熵特征，构建多熵特征矩阵，通过在卷积神经网络上添加并行的不同尺寸卷积核的方式，构建故障诊断模型。试验结果表明，相较于单一熵等故障诊断方法，诊断准确率和分类能力都有显著提高，且运行时间更短，显著提高了诊断的准确性和鲁棒性。
NETL