基于深度學習的變負載下滾動軸承故障診斷方法研究.pdf

1、滾動軸承是眾多旋轉機械的關鍵部件，其運行狀態(tài)受眾多因素的影響。負載在滾動軸承實際工作中常常是變化的，且負載的變化會直接影響振動特征的改變。因此，在變負載情況下，準確地識別滾動軸承運行狀態(tài)，對保證機械系統(tǒng)安全運行意義重大。本文提出了兩種變負載下滾動軸承故障診斷方法。
　　(1)提出基于集合經驗模態(tài)分解-希爾伯特(EEMD-Hilbert)包絡譜和深度信念網(wǎng)絡(DBN)的變負載下滾動軸承故障診斷方法。該方法首先對滾動軸承多狀態(tài)振動信號

2、進行EEMD，然后選取敏感本征模態(tài)函數(shù)(IMF)，并對其進行Hilbert變換求取包絡譜。最后將各狀態(tài)振動信號的IMF包絡譜按順序構建新的高維數(shù)據(jù)，輸入到經遺傳算法優(yōu)化各隱藏層節(jié)點結構的DBN中，實現(xiàn)變負載下滾動軸承多狀態(tài)故障診斷。實驗結果表明:訓練數(shù)據(jù)采用某種負載，測試數(shù)據(jù)選用其他負載的情況下，EEMD-Hilbert包絡譜比時域或頻域幅值譜更好地體現(xiàn)出滾動軸承不同負載下的多狀態(tài)特征;且DBN相對淺層學習的支持向量機和BP神經網(wǎng)絡算法

3、，具有更高的識別率，各數(shù)據(jù)集識別率均達到92.50％以上。
　　但是上述方法仍需要較復雜的信號處理過程，且深度學習挖掘高維數(shù)據(jù)中深層特征的能力有待進一步提高，故提出另一種診斷方法。
　　(2)提出基于卷積高斯深度信念網(wǎng)絡(CGDBN)和加權混合核聯(lián)合分布適配(WKJDA)的變負載下滾動軸承故障診斷方法。該方法首先運用CGDBN對滾動軸承頻域幅值譜信號進行特征提取，得到滾動軸承深度廣義特征，然后采用域適應WKJDA算法對源域和