论文部分内容阅读
滚动轴承在生产、交通、航天等领域应用广泛。实际使用时滚动轴承型号繁多,不同型号轴承的振动信号之间存在很大差别,传统固定型号下的故障诊断方法存在不足。因此,准确识别出不同型号轴承的运行状态及时更换故障轴承,具有十分重要的意义。本文针对不同型号滚动轴承故障诊断提出两种方法。(1)提出基于深度适配网络(DAN)的不同型号滚动轴承故障诊断方法。该方法首先使用时-频分析、递归图将不同型号轴承的时域振动信号转换成二维图像,然后选取某种型号的图像数据作为源域(有标签),选取其他型号的图像数据作为目标域(无标签)。将图像数据共同输入到使用加权混合核函数以及加权损失曲线改进的深度适配网络中,利用深度神经网络提取图像数据的深层特征,并结合迁移学习进一步减小不同型号之间的分布差异,从而实现对不同型号滚动轴承的故障诊断。实验结果表明:所提方法对不同型号轴承数据进行故障诊断可以得到较高的准确率。上述方法中图像变换过程操作复杂,且图像变换方法参数设置受人为因素的影响较大。因此本文又提出了另一种不同型号滚动轴承故障诊断方法。(2)提出基于迁移神经树(TNT)的不同型号滚动轴承故障诊断方法。该方法选取某种型号的时域振动信号数据作为源域数据,选取其他型号的时域振动信号作为目标域数据。其中,源域数据全部有标签,目标域数据含有少量标签。首先利用傅里叶变换对目标域数据进行预处理,得到相应的频域幅值信号,然后将源域和目标域数据输入到迁移神经树中,利用大量有标签源域数据辅助少量有标签目标域数据建立域适应模型,对大量无标签目标域数据进行分类并得到诊断结果。实验结果表明:所提方法在源域数据和目标域数据选取不同轴承型号数据的情况下可得到更高的准确率。与方法(1)相比,本方法更适合于诊断准确率要求较高的场合。