论文部分内容阅读
滚动轴承作为大型机械设备的重要零件,应用在交通、航空、高端精密机床、仪表仪器等领域,滚动轴承发生故障时往往导致整个机械设备无法正常工作,甚至遭到毁坏。因此,滚动轴承的故障诊断一直是国内外研究的热门。对于滚动轴承故障诊断问题,本文结合传统非线性信号分析方法和卷积神经网络识别算法对轴承故障进行诊断,针对滚动轴承实现了端到端的诊断模式。首先基于滚动轴承的基本结构、载荷分布及滚子数量,建立了滚动轴承的非线性动力学模型,针对具有表面缺陷的滚动轴承进行内外圈及滚子的建模,并将理论计算的故障频率和仿真得到的故障频率进行对比,验证了滚动轴承的非线性动力学模型的正确性,分析了滚动轴承产生振动信号的原因及振动信号的特点。其次,基于非线性信号的时间-频率分析方法,对比了小波变换和短时傅里叶变换对滚动轴承故障信号的处理结果,选择时间-频率分辨率更高的小波变换对轴承的振动信号进行时间-频率分析。根据西储大学轴承中心提供的数据建立滚动轴承时频图像数据集。然后,基于深度学习PyTorch框架,以滚动轴承时频图像为研究对象,采用前沿先进的AlexNet、GoogLeNet、ResNet三种卷积神经网络对其进行分类,并比较了三种方法对滚动轴承时频图像的分类效果。以损失函数下降速度和验证集的准确率作为评价标准对三种卷积神经网络方法进行比较分析后,选择ResNet卷积神经网络作为滚动轴承故障诊断的主要模型。最后,对滚动轴承故障诊断模型进行优化:首先对数据结构、数据样本的均衡以及损失函数做第一步的处理,然后运用迁移学习的方法对该模型做进一步的改进。经过实验结果分析,采用以上方法进行滚动轴承故障诊断的平均准确率达到了 99.5%,验证了结合传统信号分析方法与卷积神经网络分类算法对轴承故障诊断的有效性和准确性。