论文部分内容阅读
转毂测试机构是汽车生产线中用于测试车辆在不同转速下性能变化的设备,其稳定性的好坏不仅关乎整个生产线的运行状态,还关系到车辆的性能和安全系数能否真实的反馈给测试人员。滚动轴承是转毂测试机构中重要的且容易发生故障的零部件,因此有必要对滚动轴承的故障诊断以及预测方法进行研究。研究的结果能够指导维修团队的事后维修工作,当轴承出现异常时,能通过准确的故障诊断结果判断轴承的损伤部位甚至损伤程度,恰当的维修手段能有效避免“过维修”和“欠维修”的情况,使其做到“视情维修”,甚至提前发现轴承的劣化趋势,防患于未然,从而降低维修费用,提高生产效率,保障生产安全。本文分别从轴承的故障诊断方法以及轴承的性能退化预测和剩余使用寿命计算方法两个方面进行研究。主要的研究内容如下:（1）针对在实际生产中存在的故障样本少产生的样本不平衡问题,以及传统故障诊断方法提取的初始特征集维数过高的现象,导致故障诊断精度不高的结果,提出一种基于半监督拉普拉斯分值（Semi Supervised Laplace Score,SSLS）特征选择的轴承故障诊断方法。该方法利用少部分带标记的样本,在保证一定故障识别准确率的前提下,减轻了样本标记的工作量。同时,提出一种基于SSLS、核主元分析（Kernel Principal Component Analysis,KPCA）和粒子群优化支持向量机（Particle Swarm Optimization Support Vector Machine,PSO-SVM）的滚动轴承故障诊断模型。该模型首先采用SSLS对原始特征集进行特征选择,之后用KPCA进行有效特征的二次挖掘,再用PSO-SVM进行故障模式识别。结果表明,该模型能够有效应对样本不平衡条件下的故障特征选择工作,在减少样本标记工作量的同时,仍能在滚动轴承故障分类中保持较高的准确率,可以较为准确的实现轴承故障诊断中不同故障类型的区分。（2）针对传统故障特征对轴承故障信息反映不足的情况,导致对轴承故障程度的诊断结果相对不够准确的问题,提出一种基于广义复合多尺度差异熵（Generalized Composite Multi-scale Diversity Entropy,GCMDE）的故障特征提取方法。该方法能够量化任意时间序列的动态复杂性,对时间序列的动态复杂性估计更加准确,还增强了计算结果的鲁棒性,是一种有效的非线性动力学特征提取方法。在此基础上,建立了一个基于GCMDE、拉普拉斯分值（Laplacian Score,LS）以及PSO-SVM的故障诊断模型。最后,将该模型应用于实验数据分析过程,较为准确的实现了轴承不同故障类型和故障程度的区分,验证所建立模型的有效性和工程实用性。（3）针对故障特征对变工况环境敏感性不足的问题,以及大数据环境下深度学习模型计算效率较低的现象,设计了一种基于特征融合的故障诊断模型,称为多粒度卷积降噪自动编码器（Multi-Granularity Convolution Denoising Auto-Encoder,MGCDAE）。该方法在自动编码器（Auto Encoder,AE）中加入了多粒度卷积核的概念,这样可以使网络的稀疏性得到增加,同时保证特征的多样性。此外,在原始数据中加入随机高斯噪声使特征的鲁棒性增加。再将MGCDAE与深度学习的思想结合起来,设计了一种堆叠式多粒度卷积降噪自动编码器（Stacked Multi-Granularity Convolution Denoising Auto-Encoder,SMGCDAE）。此外,针对工业大数据对于存储的设备以及运算的框架要求越来越高的现象,采用压缩采集（Compressive Sampling,CS）的方法代替基于Nyquist的数据采集方式,在大幅度降低数据采集工作量的同时保留原始信号的大多数信息,再利用提出的SMGCDAE自动对压缩后的数据进行故障模式识别。最后,通过实验数据验证了CS方式的可行性,并较为准确的实现了在不同转速和负载工况下对转毂测试机构轴承的类别与程度的故障诊断。（4）针对生产线中设备之间交叉工作频繁,且机构较复杂的现象,导致经常出现并发故障的场景,提出一种基于支持向量机（Support Vector Machine,SVM）和改进的深层极限学习机（Deep Extreme Learning Machine,DELM）的旋转机械两级故障诊断模型。首先利用SVM对正常数据和故障数据进行二分类。然后再对故障数据进行故障模式识别。其中,DELM中的极限学习机自动编码器（Extreme Learning Machine Auto Encoder,ELM-AE）将ELM和AE相结合,显著提高了网络的训练效率。同时在ELM-AE中引入特征空间（Feature Space,FS）的概念,提出了ELM-FS-AE,使提取的特征具有更加出色的分类效果。除此之外,在ELM分类阶段,通过弹性网络正则化学习输出权重。最后,通过在高速转子故障模拟综合实验台上采集的数据,验证了该模型能够较为有效识别轴承的单类型故障和并发故障,且较为显著提高网络的训练速度和测试精度。（5）针对轴承性能退化指标对轴承健康状态反映不够准确以及对轴承剩余使用寿命估计偏差较多的问题,且考虑到排列熵具有对信号的突变敏感的特点,提出一种高阶差分数学形态梯度谱排列熵（High-Order Difference Mathematical Morphology Gradient Spectrum Permutation Entropy,HMGSPE）作为轴承的性能退化指标,并利用Chebyshev不等式建立健康阈值来评估轴承性能退化状态。在此基础上,利用时间序列数据中隐藏的长期依赖关系,并充分考虑轴承在某时刻振动的前后信息,本文使用双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi-LSTM）训练轴承的剩余寿命模型。综上所述,本章提出了基于HMGSPE和Bi-LSTM的滚动轴承性能退化评估与剩余寿命预测模型。实验结果表明,该模型不仅能够针对轴承的初始故障检测问题,尽早的判断轴承的退化趋势,并且能够较为准确的计算出轴承的剩余使用寿命。论文最后对全文使用的轴承故障诊断及预测方法进行了总结,并对今后的研究工作做出展望。