摘要
随着工业智能制造时代的快速发展，旋转机械得到广泛应用，轴承作为旋转机械的主要组成部件，其安全可靠运行保障着生产的稳定性。早期故障诊断作为预测性维护的关键技术，它可以在微弱故障发生阶段，通过智能诊断技术提醒维护工程师做出针对性维护决策，为设备安全运行保驾护航。深度学习作为人工智能的重要分支，可以自适应地对时序数据进行特征信息提取，并降低人工参与度。将深度学习应用于滚动轴承早期故障诊断，既可以保障设备的稳定运行，也可以通过智能诊断技术降低成本。因此，本课题将滚动轴承作为研究对象，从以下几个要点对轴承早期故障诊断开展研究： 针对早期故障特征微弱，噪声信号干扰大，以致特征信息难以提取以及单一网络模型对特征自适应提取能力不足的问题，提出了一种基于VMD结合双流诊断模型的轴承早期故障诊断方法，通过变分模态分解(variational mode decomposition, VMD)算法优越的去噪以及信号分解能力，利用四种不同形式的指标，对分解完成的信号进行筛选，解决微弱信号难以分辨以及提取问题，保障重构信号的准确性。利用卷积神经网络(convolutional neural network, CNN)对图像特征的敏感性，结合双向长短时记忆网络(bidirectional long and short term memory networks, BiLSTM)形成双流诊断网络，同时解决单一模型对故障特征自适应提取不全面的问题。实验结果显示，所述机制用于早期故障诊断具备稳定的准确率，并存在一定的泛化性能。 针对大多数研究设计模型参数均是通过人工经验或专家知识确定，所耗费的人工与时间成本都较高的问题，提出了一种经过优化后具备更好的全局搜索能力的蜜獾算法(honey badger algorithm, HBA)，用于BiLSTM中的最优超参数搜索，实现参数的自适应搜索设置。通过Jaya算法对蜜獾算法搜索步骤进行针对性优化，有效解决蜜獾算法陷入局部最优的问题。此外，在BiLSTM模型的基础上，引入注意力机制，自适应提升高频特征提取的准确性。为验证算法的有效性，进行消融实验，验证了Jaya算法对蜜獾算法的辅助性作用，提升了HBA的搜索性能；也反映出注意力机制对BiLSTM模型的高度相关特征提取具有一定的提升作用。同时，利用三个公开轴承数据集作为实验对象，实验表明，Jaya-HBA-A-BiLSTM网络具备良好的参数搜索能力，同时，所述方法具备较强的泛化性能。 针对传统网络模型设计对人工经验要求过高，存在搜索效率缓慢的问题，提出一种基于One-shotNAS的故障诊断方法，实现网络模型的自适应设计。利用One-shotNAS的权重共享机制，通过注意力机制结合动态剪枝算法对网络搜索过程中的冗余操作进行去除，加速模型训练以及搜索；再引入差分进化算法对搜索到的不同架构进行排序，以确定最优以及次优网络架构。最终的实验结果表明，相比于人工经验设计网络，本文所提出的方法具备优良的故障诊断准确率，降低了人工参与度。 本课题从早期故障的微弱特性出发，在数据重构与特征提取、模型参数与模型架构方面进行了深入研究，提出了多种基于深度学习技术的早期故障诊断方法，一定程度上解决了早期故障特征微弱难以提取的问题，同时解决了深度学习模型参数以及架构对人工依赖性强的问题。本文研究成果对智能诊断技术的发展具有一定的参考价值和实践意义。
NETL