论文部分内容阅读
旋转机械故障诊断技术对于实际工程安全保障有重要意义,其关键在于故障特征的有效性。传统特征提取方法主要依赖于专家知识和信号处理技术。然而,在处理复杂工况下的机械振动信号时,基于传统方法的特征对故障的敏感度不稳定,缺乏对特征的自适应优化。自主特征提取方法是一种新型的特征提取方法,与传统特征提取方法不同的是该方法将原始信号进行多次转换且转换后的数据能够最优地逼近原始数据,从转换后的数据中提取典型特征作为信号自适应特征。但对于不同诊断目标的自主特征提取方法在模型的选取和物理意义等方面的研究仍然存在不足,其理论需进一步完善。此外,在旋转机械实际服役过程中工况往往是变转速变载荷的,由运行工况对特征层面的影响很容易淹没由故障引起的特征变化,因此提取故障特征存在困难。综上,对于不同工况下不同特征提取方法的理论研究和实际应用仍需要进一步探索。论文在国家自然科学基金项目(编号:51575168、51875183)的资助下,分别对特征优化和特征自主学习方法在恒定工况与变工况下的旋转机械故障诊断与性能退化评估中的应用进行了研究和改进,并将其应用于滚动轴承故障诊断与性能退化评估中。论文主要研究工作和创新性成果有:(1)针对轴承全寿命数据中处于健康状态的样本过于冗长,影响对特征有效性分析的问题,提出有限特征样本判定(Limited Feature Sample Selection,LFSS)方法用于早期故障敏感样本的提取。此外,针对基于蝙蝠二进制(Binary Bat Algorithm,BBA)算法的特征选择方法存在易陷入局部最优的缺陷,提出了反馈搜索二进制蝙蝠算法(Feedback Seeking Binary Bat Algorithm,FSBBA)。该算法通过增加猎物品质对蝙蝠速度影响有效提高了算法的全局搜索能力。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。(2)针对变工况下传统特征无法准确表征故障,提出了基于冗余属性投影(Nuisance Attribute Projection,NAP)的祛工况投影方法。首先,通过分析不同转速下的轴承仿真信号验证了NAP能有效祛除特征域中的工况信息;其次,通过分析不同转速下轴承的不同故障模式实测信号和不同故障程度仿真信号验证了NAP投影后的特征仍保留故障模式信息与故障程度信息;最后,变工况下的滚动轴承全寿命实验再次验证了NAP的祛工况能力。同时,通过对比分析基于排列互信息(Ranking Mutual Information,RMI)的特征选择方法与NAP方法的应用顺序对滚动轴承性能退化评估结果的影响可以推测在故障诊断中NAP方法应在特征选择方法前使用。(3)引入深度学习模型应用于恒定工况下旋转机械性能退化评估,提出了基于卷积稀疏组合学习(Convolutional SparseCombination Learning,CSCL)的滚动轴承性能退化评估方法。将深度学习中的卷积稀疏编码方法与组合学习方法结合用于恒定工况下滚动轴承的特征提取。通过分析CSCL在不同故障程度的轴承仿真信号中稀疏解和重构信号的变化,揭示了子字典中故障相关原子的激活能量会随着故障程度的加深而增加,而基于稀疏解的重构误差则会减少。结合以上两者的变化,提出了基于原子激活能量和重构误差的性能退化指标。将CSCL算法运用至滚动轴承全寿命数据中,评估结果验证了该方法比传统方法更具优势。同时,对比实验证明了组合学习能够达到提高了模型计算的实时性与对性能退化评估结果进行优化的目的。(4)引入深度学习模型应用于恒定工况下旋转机械故障诊断,提出了基于多尺度级联卷积神经网络(Multiscale CascadeConvolutional Neural Network,MC-CNN)的滚动轴承故障智能识别方法。MC-CNN方法是一种对输入进行信息增强的改进卷积神经网络算法,其模型结构是在原始卷积神经网络(Convolutional Neural Network,CNN)的首层增加一层多尺度级联层,通过将原始信号与不同长度的卷积核进行卷积运算并将输出结果串接以构造一个具有更多可分辨信息的级联信号。通过对正常和噪声环境下的四类轴承故障信号进行分类,验证MC-CNN的有效性且识别效果优于原始CNN。深度分析多尺度级联层中的卷积核可以发现不同尺度卷积核的作用是挖掘不同频率分辨率下不同故障模式在频率中的差异。最后,通过对比原始CNN与MC-CNN的T-分布随机邻域嵌入(T-distributed Stochastic Neighbor Embedding,T-SNE)聚类效果进一步验证了所提方法的有效性。(5)引入深度学习模型应用于变工况下旋转机械故障诊断,提出了基于小波时频图和二维MC-CNN的变工况下滚动轴承故障诊断方法。由于变工况下相同故障模式造成时频域的敏感频带虽然会随转速变化发生偏移、随载荷变化引起能量变化,但其形状基本不变。因此,基于时频图与具有平移不变性的二维卷积神经网络的变工况下滚动轴承故障诊断方法是合理的。与一维MC-CNN的思路一致,为了对时频图进行信息增强,将不同尺度的卷积核与时频图进行卷积后进行拼接得到多尺度级联图作为卷积层的输入。实验证明基于小波时频图与二维MC-CNN的故障诊断方法不仅能提取故障相关特征,且相比其他方法对工况具有更高的泛化能力和鲁棒性。