论文部分内容阅读
轴承作为“工业的关节”,其健康状态对机械设备的稳定运行有着极其重要的作用。而对于尽可能避免轴承破坏所造成的损失和降低轴承维护成本之间的矛盾,对轴承进行实时的健康状态监测及剩余寿命预测则是最好的双赢策略,且《中国制造2025》中亦明确指出应加强设备可靠性技术及其应用的开发。因此,利用现代化技术,展开对滚动轴承退化机理的研究,并对滚动轴承实施智能化监测及剩余寿命预测,具有重要的理论和现实意义。本文针对滚动轴承全生命信号序列长度过长,不利于神经网络进行训练的问题,提出使用神经网络中的卷积层对信息序列在时间维度上进行压缩,然后使用注意力机制提高循环神经网络处理长序列的能力,最终实现滚动轴承剩余寿命预测。最后通过测试数据的验证,证明了该方法有着更高的准确率,从而表明神经网络结构在滚动轴承剩余寿命预测问题上具备可行性。然而过于复杂的网络结构往往意味着运行时间较长,尤其是针对超长序列的循环神经网络,这一点不利于实现剩余寿命的实时预测。为此,本文提出使用神经网络优化从滚动轴承振动信号中提取滚动轴承健康状态特征的过程。通过对比基于自编码器和基于对比学习的两种自学习神经网络结构,发现基于对比学习的神经网络能够更加有效地从滚动轴承振动信号提取其健康状态信息。有了更好的特征表达之后,还应减短神经网络处理的时间序列长度以缩短神经网络运行时间。基于轴承退化规律的考虑,采用对最新信息进行连续采样,久远信息稀疏采样的方法,并使用位置编码的方法保留时间信息,从而保证在缩短时间序列长度的同时,保留足够的滚动轴承健康状态变化信息。然后通过在LSTM网络中添加正则化的方式,提高网络的预测效果,最终实现在极短的时间内进行较为准确的滚动轴承剩余寿命预测。最后,使用C#语言编写滚动轴承实时监测及剩余寿命预测软件系统,通过使用模块化、接口化编程的方式摆脱软件对于特定数据采集卡的依赖性,并实现数据处理算法的快速开发,然后利用Tensor Flow.net框架为软件嵌入神经网络算法。最终用数据集模拟信号数据,验证了神经网络算法进行滚动轴承剩余寿命实施预测的可行性。