论文部分内容阅读
随着机械设备不断向集成化和复杂化发展,为了同时保证加工效率与产品质量,故障检测技术也需要与时俱进。滚动轴承在机械设备中应用广泛,任何微小的损伤都可能对整个设备造成影响,及早发现滚动轴承故障并修复,能够有效降低安全隐患与经济损失。因此,对滚动轴承早期故障诊断技术进行研究尤为重要。轴承微弱故障信号特征易受噪声和人为干扰等因素影响,无法直接进行轴承的状态识别。故本文为了准确掌握滚动轴承的工作状态,从特征提取与模式识别两个方面进行了研究。首先提出了自适应部分集成局部特征尺度分解(Adaptive Partly-ensemble Local Characteristic-scale Decomposition,APLCD)与小波包变换(Wavelet Package Transform,WPT)结合的APLCD-WPT方法,以及自适应遗传随机共振(Adaptive Genetic Stochastic Resonance,AGSR)方法用于提取滚动轴承早期微弱故障特征。APLCD-WPT算法利用APLCD将振动信号自适应的分解为多个内禀尺度分量(Intrinsic mode component,ISC),每个ISC分量分别代表原信号不同频段的特征,再利用WPT修正ISC分量模态混叠的问题;AGSR利用遗传算法并行优化随机共振系统的多个参数,能够自适应筛选出与输入信号最匹配的系统参数,从而能够精确提取故障特征。文章还引入深度学习方法,利用堆叠稀疏自编码(Stacked Sparse Autoencoder,SSAE)对提取的特征进行模式识别,实现滚动轴承早期故障的智能诊断。SSAE网络由自动编码器(Autoencoder,AE)堆叠而成,使用多个自动编码器逐层训练网络,能够从海量数据中自适应的学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入Softmax分类器判断滚动轴承健康状况。本文通过APLCD-WPT算法与LCD等特征提取方法比较,表明APLCD-WPT在抑制模态混叠、提高特征提取的精确性上具有一定优越性。而AGSR算法由于使用遗传算法进行参数调优,特征提取效果也优于传统的随机共振方法。此外,将APLCD-WPT与AGSR提取的特征制作样本用于SSAE网络训练,在实验中,通过调整AE层数、隐藏层节点数与学习率等参数,寻找最优的网络模型,最终实现高效智能的滚动轴承早期故障诊断。