论文部分内容阅读
轴承作为电主轴的核心结构,一旦出现故障,必将导致电主轴乃至整条生产线瘫痪。为了确保电主轴能够安全可靠的运行,对电主轴轴承的故障进行诊断是必不可少的。随着深度学习方法的发展,从数据本身自主学习特征的思想为故障诊断提供了新思路。而稀疏降噪自编码器(Sparse denoising auto encoders,SDAE)和卷积神经网络(Convolutional neural network,CNN)作为深度学习中泛化能力最强的一种方法,也为电主轴轴承故障诊断领域开辟了广阔的发展前景。本文以电主轴轴承故障为研究对象,将轴承故障数据作为SDAE以及改进后的CNN方法的输入样本,并将改进后的方法诊断电主轴轴承的故障类型,本文的主要工作如下:(1)结合电主轴轴承的理论知识,利用模拟实验平台对电主轴轴承的内、外圈故障、滚动体、转子轴承不对中、转子轴承不平衡等故障进行数据采集。(2)对SDAE结构和训练方式展开研究。同时利用电主轴轴承内、外圈以及滚动体中度故障的仿真信号验证了 SDAE优异的分类性能,对比传统神经网络和SDAE的分类准确率,总结了 SDAE的结构优点。(3)为了提高电主轴轴承故障诊断准确率,减少过拟合现象,设计了一种基于改进的卷积神经网络CNND电主轴轴承故障诊断方法。在CNN中加入多种防止过拟合的方法,经过对比可以得出dropout方法效果最好。仿真结果表明将dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,能够避免出现过拟合现象的同时提高诊断准确率。(4)为了增强模型对故障数据特征的提取能力,设计了一种改进的SDAE-CNN电主轴轴承故障诊断方法。首先,对SDAE隐含层数以及隐含层神经元个数组合进行优化;其次,对CNN结构中卷积层个数、卷积核个数、卷积核尺寸等参数值进行最优选择;然后,用SDAE特征表达训练CNN;最后,选择适应性据估计(Adaptive moment estimation,Adam)优化算法减少交叉熵函数值;并以电主轴轴承外圈裂化程度不同的故障为研究对象,仿真结果表明,该方法的特征提取能力以及最终的故障诊断准确率都要高于其它方法。本文设计的改进SDAE-CNN的电主轴轴承故障诊断方法可有效识别电主轴轴承的故障类型,提高故障诊断精度。