论文部分内容阅读
滚动轴承是旋转机械关键零件之一,本文以滚动轴承为研究对象,利用频谱分析传统方法,围绕故障轴承频率特性提取问题,对滚动轴承进行了故障诊断;同时利用深度学习智能诊断方法,围绕模式识别方面展开研究,实现了有效的滚动轴承故障诊断方法研究。并利用所提出的新方法对涡扇发动机寿命预测进行了一定的探究,为后续深度学习在轴承寿命预测中的应用做了研究准备。本文主要工作有:(1)基于MCKD-EWT方法的轴承故障诊断研究本文将最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)方法与经验小波变换(Empirical Wavelet Transform,EWT)方法相结合来对滚动轴承进行故障诊断。本文利用内蒙古科技大学机械工程学院实验室中的HZXT-DS-003滚动轴承实验台采集的轴承振动信号对该方法进行验证,同时使用洛阳轴承研究所轴承振动信号集进行了该方法的泛化性验证。(2)改进的CNN-LSTM网络在轴承故障诊断中的应用本文将原始轴承振动信号作为输入来对轴承进行故障分类,从优化网络结构及优化网络特征提取类型入手,改进了传统的卷积神经网络(Convolutional Neural Network,CNN)及增加新的特征提取模块,以达到提高轴承故障分类准确性及提高网络泛化性的目的。从网络结构优化方面,本文提出了改进的CNN网络,实验表明,与传统CNN相比,轴承故障分类准确率得到大大提高。从优化网络特征提取类型方面,在改进的CNN网络基础上,增加了长短时记忆网络(Long Short Term Memory,LSTM),依靠LSTM提取振动信号的全局特征,以弥补改进的CNN只能提取振动信号局部特征的缺陷,以此增加诊断准确率及增强网络泛化性。将改进的CNN及改进的CNN-LSTM网络运用于内蒙古科技大学轴承故障实验室所采集的故障轴承振动信号中进行轴承故障分类,并使用西储大学轴承振动信号数据集进行进一步验证。结果表明,相比于传统的CNN,改进的CNN及改进的CNN-LSTM网络效果更好,且改进的CNN-LSTM网络泛化性更强。与传统信号处理方法相比较,具有输入简单、参数少、结果准确等优势。(3)改进的CNN-LSTM网络在涡扇发动机剩余使用寿命预测中的应用为了进一步探究所提出的改进的CNN-LSTM网络的适用性,对涡扇发动机剩余使用寿命预测进行了研究。实验表明,该网络在涡扇发动机剩余使用寿命中依旧适用。这也为后续改进的CNN-LSTM网络运用于轴承寿命预测中做好了准备。