基于深度信念網(wǎng)絡(luò)與多傳感器信息融合的滾動軸承故障診斷研究.pdf

1、滾動軸承是現(xiàn)代工業(yè)設(shè)備中應(yīng)用最為普遍的機(jī)械部件之一，其工作狀態(tài)直接決定著重大裝備和主機(jī)產(chǎn)品的性能、質(zhì)量和可靠性。現(xiàn)階段滾動軸承故障診斷研究工作主要包含兩個(gè)方面的內(nèi)容:滾動軸承故障位置識別、滾動軸承損傷程度識別。然而，研究工作很少將兩者結(jié)合起來同時(shí)進(jìn)行。為了達(dá)到滾動軸承故障診斷過程中，即能有效的判斷出軸承故障位置，又能準(zhǔn)確的給出相應(yīng)損傷程度的目的，本文主要從以下四個(gè)方面開展研究工作:
　　1.提取能夠有效反映故障樣本所屬故障狀態(tài)以及

2、相應(yīng)損傷程度的故障特征。本文提取Lempel-Ziv復(fù)雜度（Lempel-Ziv Complexity,LZC）、排列熵(PermutationEntropy,PE)兩種時(shí)間序列非線性復(fù)雜度分析指標(biāo)作為故障特征，試驗(yàn)結(jié)果表明，上述特征可將軸承正常狀態(tài)與故障狀態(tài)有效區(qū)分。為了進(jìn)一步區(qū)分故障樣本所屬故障狀態(tài)以及相應(yīng)的損傷程度，將LZC指標(biāo)與小波包分析相結(jié)合、PE指標(biāo)與EEMD分解相結(jié)合實(shí)現(xiàn)不同損傷程度的軸承故障特征提取。同時(shí)，采用基于類內(nèi)類

3、間散度矩陣的故障特征維數(shù)評價(jià)方法驗(yàn)證了本文所確定的故障特征維數(shù)的合理性。
　　2.利用分類效果較優(yōu)的深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）作為分類器，實(shí)現(xiàn)更加精確的故障識別。針對DBN中的隱含層節(jié)點(diǎn)數(shù)、預(yù)訓(xùn)練過程以及調(diào)優(yōu)過程中不同層之間的學(xué)習(xí)率、動量項(xiàng)等參數(shù)設(shè)置問題，提出了基于GA-PSO雜交尋優(yōu)的DBN參數(shù)優(yōu)化算法。試驗(yàn)結(jié)果表明，該優(yōu)化算法可快速獲取最優(yōu)參數(shù)，完成DBN網(wǎng)絡(luò)參數(shù)設(shè)置任務(wù)。
　　3.利

4、用軸承座水平方向、垂直方向?qū)?yīng)的DBN分類器的診斷結(jié)果構(gòu)造基本概率分配函數(shù)，通過D-S證據(jù)理論融合得到最終診斷結(jié)果，提高診斷結(jié)果正確率，增強(qiáng)診斷方法的容錯(cuò)能力。試驗(yàn)結(jié)果表明，多傳感器信息融合的診斷精度明顯優(yōu)于單一傳感器。
　　4.構(gòu)造滾動軸承故障分級診斷框架，實(shí)現(xiàn)滾動軸承故障狀態(tài)以及相應(yīng)損傷程度的逐層識別。其中，第一層用于判斷故障樣本所屬的故障狀態(tài)，第二層用于區(qū)分故障樣本對應(yīng)的損傷程度，并給出了分級框架正確率計(jì)算公式。