论文部分内容阅读
随着我国制造业的发展,大型旋转机械的故障诊断与监测工作变得尤为重要,而旋转机械的轴心轨迹可以直观反映其运行状态。传统的旋转机械轴心轨迹识别方法常采用“特征提取+分类器”的模式识别方式,但受特征的故障表达能力和分类器的精度等因素影响,旋转机械故障的严重程度一直未能有效识别。基于此,本文利用深度学习开展了轴心轨迹细粒度识别的研究工作。在总结国内外对旋转机械轴心轨迹故障机理、轴心轨迹提纯和轴心轨迹自动识别等研究现状的基础上,分析了轴心轨迹识别目前存在的主要问题,并建立了相关的轴心轨迹数据库。不仅建立了包含对应不同故障的轴心轨迹库A;而且提出基于细长度、弯曲度、圆环宽度比、幅角跨度比和最小曲率半径的五种衡量指标用以对应故障的不同严重程度,并建立包含15种类型的轴心轨迹细粒度图形库B。此后,基于卷积神经网络(CNN)的LeNet-5模型构建适用于轴心轨迹识别的CNN网络结构,并通过实验调整其结构参数,确定最适用于轴心轨迹细粒度识别网络结构。具体过程为:在原有LeNet-5模型的基础上,增加其卷积层之间的线性组合数目,以提高网络的特征提取能力;减少全连接层以精简网络结构,并添加softmax层以优化其分类能力;利用库B,从卷积层数目、卷积层通道数、全连接层的层数和节点数目以及是否使用Relu层和Dropout层等方面优化该CNN网络的结构参数。为验证算法的有效性,将所优化后的CNN网络、主流轴心轨迹识别算法以及相关的特征描述子在模拟和实际测量的轴心轨迹数据库中分别实验。在模拟的A库和B库中的测试结果表明,基于LeNet-5改进的轴心轨迹识别算法在所有库中识别率最高,在轴心轨迹细粒度图形库B中高达97.63%,实时性最好,库B单个样本识别速度为0.0427毫秒。搭建转子试验台——STS1000在线振动监测分析系统,模拟出三种程度的转子不平衡故障,得到不平衡故障的细粒度图形。各算法在实测不平衡细粒度轴心轨迹上的实验结果再次表明,本文提出的算法准确率最高,已达97.14%,单个样本识别仅需0.128毫秒。综合所有实验表明,本文构建的深度网络识别速度快,准确率高,鲁棒性好,能满足轴心轨迹细粒度识别的实际要求。