论文部分内容阅读
滚动轴承是机械设备的关键部件,对其进行的智能故障诊断技术已有许多应用,但仍然存在许多不足之处。滚动轴承时域和频域信号包含了其运行状态的重要信息,在基于振动信号特征提取的滚动轴承故障诊断算法模型中,首先对振动信号进行预处理和特征提取,然后输入分类器进行故障分类,这类故障诊断方法在特征提取时依赖人为经验选择,进而导致特征提取不全面、不充分的问题。本文把深度卷积神经网络和抗体免疫引入滚动轴承故障诊断领域,提出了一种免疫自适应的深度卷积神经网络滚动轴承故障诊断模型,利用深度卷积神经网络自适应的提取滚动轴承时域和频域信号特征,实现从原始数据到诊断结果的直接映射,使故障诊断过程更加的智能化,减少了人为因素的干扰。深度学习在滚动轴承故障领域已有应用,主要是针对已知故障的识别,在出现未知故障时无法进行自适应调整,必须重新训练模型,导致出现模型自适应能力差的问题。本文在滚动轴承出现未知故障时,把深度卷积神经网络作为特征提取器,利用免疫自学习特性生成未知故障检测器,用于该故障类型再次出现时进行快速诊断,实现未知故障的识别。针对自适应算法模型检测和学习时间长,故障诊断实时性的要求,提出了一种基于深度卷积神经网络的分组克隆快速诊断模型,在检测阶段通过时域和频域诊断结果对比确定故障类型,在学习阶段通过分组克隆策略和连续区域变异操作提高未知故障的学习效率。实验采用的数据集是美国凯斯西储大学公布的滚动轴承数据集,实验表明免疫自适应的深度卷积神经网络模型可以很好的识别已知滚动轴承的故障类型,比基于特征提取的故障诊断方法识别准确率高,而且能够对未知故障进行学习,再次识别准确率达到了98.32%。在故障程度检测方面,深度卷积神经网络模型能够提取信号波形的细微差别特征,判断出故障程度。提出的分组克隆策略快速故障诊断模型相比自适应算法模型,在保证识别准确率的前提下,检测和学习效率有了明显提高。