發(fā)布時間：2022-02-10 04:39

　　目的針對傳統(tǒng)信號分析方法在滾動軸承故障特征提取和故障分類等方面的不足,結合堆棧去噪自編碼（Stacked De-noising Auto-Encoders,SDAE）算法在提取特征和特征分類等方面的優(yōu)勢,提出一種基于灰度共生矩陣（Grey-Level Co-occurrence Matrix,GLCM）和SDAE的滾動軸承智能故障診斷方法.方法首先通過短時傅里葉變換（Short-Time Fourier Transform,STFT）將滾動軸承振動信號轉化為灰度時頻圖,然后利用灰度共生矩陣提取灰度時頻圖中的故障特征參數(shù),構建滾動軸承故障類別的特征向量空間,最后將其輸入到構建的SDAE網絡模型中,以實現(xiàn)滾動軸承的智能故障診斷.結果在軸承數(shù)據(jù)集上進行了故障特征提取和故障類型識別實驗,結果表明筆者所提方法在訓練集和測試集上平均分類精度均達到了95%以上.結論相較于從原始信號中提取特征的支持向量機（Support Vector Machine,SVM）、深度信念網絡（Deep Belief Network,DBN）等方法,筆者所提出的方法能夠提高故障識別率,可有效地對滾動軸承故障狀態(tài)進行智能診... 

【文章來源】：沈陽建筑大學學報(自然科學版). 2020,36(04)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

技術路線圖

SDAE網絡結構如圖2所示,每個DAE完成訓練后,其輸出層輸出的數(shù)據(jù)將作為下一個DAE的輸入,這樣經過逐層的學習,完成了輸入數(shù)據(jù)特征的表示.DAE的核心思想是令編碼器的輸入層節(jié)點按照給定的比例隨機置為零.如圖2中,黑色節(jié)點表示置零的神經元節(jié)點,這樣將輸入數(shù)據(jù)人工受損來訓練網絡,再從受損數(shù)據(jù)的基礎上重構輸出數(shù)據(jù),從而整體提升編碼器的魯棒性能.利用逐層貪心算法訓練每個DAE[17],在將訓練好的DAE堆疊起來就組成了SDAE網絡,為了實現(xiàn)模型的故障分類功能,筆者在SDAE網絡最后一層加上了Soft-max分類器.SDAE網絡在完成預訓練后,模型中各隱藏層之間和最后的分類層之間的權重作為網絡的初始模型參數(shù),訓練過程采用反向傳播法更新網絡參數(shù)[18],其過程可描述為:設輸入的滾動軸承故障樣本集為X={xi|1≤i≤N},隱藏層輸出向量集為H={hi|1≤i≤N},輸出層輸出向量集合為 X ^ ={ x i ^ |1≤i≤Ν} .其中,N為故障樣本總個數(shù),xi為第i個故障樣本,hi表示其所對應的特征向量,xi表示第i個故障樣本對應的輸出,則每個DAE隱藏層的輸出表示為

為了驗證所提出的方法的有效性,筆者準備了大量樣本進行了故障診斷實驗.筆者所采用的數(shù)據(jù)集來自美國西儲大學軸承數(shù)據(jù)庫[19].實驗裝置如圖3所示,主要部件包括主軸電機、扭矩傳感器、測功機和負載電機.采用電火花加工的加工方式對試驗軸承進行單點故障處理,分別在軸承外圈(OR)、軸承內圈(IR)和滾動體(RE)的測試驅動端軸承上制造0.007 mm、0.014 mm和0.021 mm的單點故障.數(shù)據(jù)采樣頻率為12 kHz.實驗采集到的原始時域信號圖像如圖4所示.由圖可知,不同狀態(tài)下的滾動軸承時域波形有一定區(qū)別,但對于非專業(yè)人士來說,難以實現(xiàn)對軸承故障狀態(tài)的完全識別.圖4 原始信號時域信號圖

【參考文獻】：
期刊論文
[1]基于多模態(tài)堆疊自動編碼器的感應電機故障診斷[J]. 蔣愛國,符培倫,谷明,王金江.  電子測量與儀器學報. 2018(08)
[2]工業(yè)大數(shù)據(jù)分析技術的發(fā)展及其面臨的挑戰(zhàn)[J]. 何文韜,邵誠.  信息與控制. 2018(04)
[3]堆疊自編碼網絡性能優(yōu)化及其在滾動軸承故障診斷中的應用[J]. 張西寧,向宙,夏心銳,李立帆.  西安交通大學學報. 2018(10)
[4]基于改進堆疊降噪自編碼的滾動軸承故障分類[J]. 侯文擎,葉鳴,李巍華.  機械工程學報. 2018(07)
[5]基于小波時頻圖和CNN的滾動軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機械設計與研究. 2017(02)
[6]基于IMF投影圖像分析的滾動軸承故障診斷方法研究[J]. 黃雪梅.  機械傳動. 2017(04)
[7]基于HHT和有監(jiān)督稀疏編碼的滾動軸承故障狀態(tài)識別方法[J]. 俞嘯,丁恩杰,陳春旭,李力.  煤炭學報. 2015(11)
[8]基于灰度共生矩陣和人工神經網絡的肺癌CT圖像的分類研究[J]. 鞏萍,王阿明.  生物醫(yī)學工程與臨床. 2013(06)

博士論文
[1]基于時頻圖像識別的旋轉機械多特征融合故障診斷方法研究[D]. 王維剛.哈爾濱工業(yè)大學 2016



本文編號：3618265