基于双结构深度学习的滚动轴承故障智能诊断

• 作者: 齐咏生 郭春雨 师芳 高胜利 李永亭
• 来源期刊: 振动与冲击
• 关键词: 卷积神经网络(CNN) 深度置信网络(DBN) 贝叶斯分类器 滚动轴承 相似性度量 不完备数据建模
• 年，卷（期）: 2021,（10）
• 页码范围: 103-113
• 页数: 11页
• 分类号: TH17
• 语种: 中文
• DOI: 10.13465/j.cnki.jvs.2021.10.014

摘要

大型转动机械在工业生产过程中,轴承故障频发,呈现出一种"大数据"的特性,并且现场获取的故障数据往往是不完备和无标签的,亟需开发具有自学习能力的诊断算法.针对该研究提出一种基于双结构深度学习的轴承故障类型与损伤程度的智能诊断算法.该方法使用不完备的数据建模,分为故障类型自学习网络和故障损伤等级识别网络两个结构.对轴承故障信号进行形态学滤波,抑制部分噪声,增强信号的脉冲特征;对消噪后信号进行S变换得到时频图,获取故障类型的共性特征;并将时频图作为卷积神经网络(CNN)的输入,利用网络的相似性度量在目标空间对同类型样本汇聚、不同类型样本分离,实现对轴承故障类型的分类与新故障类型的自学习.将实现故障类型分类的信号经归一化处理后作为深度置信网络(DBN)的输入,利用DBN对微小故障的敏感性对不同损伤程度的差异特征进行提取,之后将提取的特征作为贝叶斯分类器的输入,依据后验概率判别规则实现故障损伤等级自主识别.将该方法应用于西储大学实验平台的滚动轴承故障数据,结果表明,该方法在不完备数据建模的情况下,不仅能完成故障类型与损伤等级的准确分类,而且还能实现故障自学习和损伤等级自增长,增强了诊断过程的智能性.