论文部分内容阅读
目前,机械设备的故障诊断主要是基于振动信号的测量和分析,但在某些特殊工况环境下传感器安装不便或振动信号无法反馈,使得以测量振动信号为代表的接触式故障诊断方法受到限制。机械噪声是机械振动通过弹性媒介传播到外部的结果,蕴含着丰富的设备状态信息。以测量声学信号为代表的非接触式故障诊断法可在某些特殊环境下部分的代替振动信号作为故障诊断的手段。基于单通道测试的传统声学诊断方法只能获得声场中的局部声学信息,且抗干扰能力差,测点位置的选择需要丰富的经验。当测点位置选择不当,局部的声学特征对故障不敏感时,诊断效果就会受影响。而利用多传感器多通道测试的诊断法,能够充分获取不同工况下整个辐射声场的声学信号,突出机械关键部件处声场的变化、忽略干扰部件处声场变化,提高诊断效果。然而,传统多通道测试的诊断法常存在多通道信号的权值确定复杂、实时性差等问题。因此,声学故障诊断虽然具有巨大的潜力和价值,但相较于振动故障诊断,其发展一直比较滞后。随着深度学习理论的提出,以人工智能技术为核心的智能诊断技术得到了迅速发展,特别是深度神经网络和时频分析等传统技术组合为机械注入了新的活力。深度神经网络具有参数自适应调整功能,不依赖于专家知识库和工程实践经验,能够通过不断的自学训练对多通道输入信号的权值进行合理优化,增强判断能力,易于克服传统多通道测量方法信息融合权重难以确定的问题,提高诊断的准确率。因此,根据上述故障诊断思路,本文提出了基于声学信号的典型机械故障智能诊断方法。以故障状态下的噪声信号为研究对象,以深度学习理论为信号处理与模式识别方法,围绕齿轮故障诊断方法开展深入研究,主要研究工作如下:首先,通过搭建实验平台,对机械设备在实际工作的故障状态进行模拟,针对声音信号采集过程中多设备与多声源的情况,制定出合理的测量方案,通过对多通道多数量传声器的合理空间布局,以降低声音信号在空气传播中的反射、衍射现象,提高声音信号的抗干扰能力,再利用传声器对不同工况下机械设备故障零件的噪声信号进行采集,获取故障数据。其次,为克服传统的单声道声学诊断法只能采集部分信息用于局部诊断;多通道声学诊断法权值确定过程复杂,实时性差等问题。结合深度学习理论,提出一种基于多通道声学信号与卷积神经网络齿轮的故障诊断法。通过将传感器布置在不同测量点位以获取不同敏感度的故障信息,再以卷积神经网络作为融合技术,对采集的四路声学信号进行特征级融合,实现多级传动齿轮的故障诊断。实验结果表明了本章所提方法即使在特征信息量较少的情况下,仍然能利用所获取的多通道信息取得较好的故障识别率。最后,为克服传统诊断方法在故障特征提取中对信号处理技术的依赖。并且,为更好表征故障信号与健康状况之间复杂的映射关系。提出一种基于多通道端到端卷积神经网络的故障诊断方法。利用齿轮故障噪声的时域、频域信号训练神经网络,其优势是能够保证故障时域、频域信息量完整的情况下,融合多传声器所获取的故障信息,完成故障特征的自适应提取与多工况下齿轮故障的智能诊断。对比实验表明,该方法能够在多工况和大量故障样本下对典型传动系统中不同类型的故障齿轮完成故障特征自适应提取和故障状态识别,并具有较强的泛化能力。