论文部分内容阅读
感应电机因具有结构简单、运行可靠且价格低廉等巨大优势,被广泛应用于现代交通系统、工业生产以及居民的日常生活当中。而轴承又是感应电机中最重要的组成部分;因此,为确保机械设备的安全性,迫切需要及时、准确、有效的电机轴承故障诊断方法。本文首先针对电机轴承出现故障时,强噪声背景下弱特征信号的识别问题,采用了基于Teager-Kaiser能量算子故障特征提取方法。从理论上分析了 Teager-Kaiser能量算子应用到杂散磁场中不仅能够解调出故障特征频率,还能够使得较弱的故障特征频率的幅值得到强化,从而提高故障检测的能力。在此基础上,本文先后采用了两个卷积神经网络模型,对从杂散磁场信号中提取到的特征进行故障的分类识别。其中第一个是经典的一维卷积神经网络模型,该模型分别利用磁场信号的时域和频域特征进行故障识别,为了增强模型鲁棒性和泛化能力,使用重采样的方法对所采集的磁场数据集进行强化。并将Teager-Kaiser能量算子提取到的时域和频域特征,输入模型中进行训练和故障识别,结果证明应用频域的故障识别率比时域高2%左右,达到了 85%。通过对杂散磁场信号特点的进一步分析,经过多次的调整、及试验,提出了第二个卷积神经网络模型:一维宽卷积核深度卷积神经网络模型。该模型的特点是第一层大卷积核后面连接多层小卷积核,这样做可以让第一卷积层收集到更多的故障特征信息,自助完成择优去劣工作,后面的小卷积核能够更好的加速训练过程。通过加深网络层数不仅减少了模型训练参数,也扩大了每层网络的感受野。利用批量归一化算法,改善网络模型训练效率,增强模型的泛化能力。相较于经典的CNN,一维宽卷积核深度卷积神经网络模型利用Teager-Kaiser能量算子提取到的频域特征,故障分类准确率提高到了 97%。利用卷积神经网络优良的自适应特征学习特点对频域信号实现端到端的故障检测。最终通过试验验证了一维宽卷积深度神经网络在强噪声背景下依然能够完成轴承故障诊断的优势。通过与多种方法的对比试验,验证了本文提出的神经网络模型无论从训练效率方面还是识别准确率方面都展现出优越的性能。