基于声信号的滚动轴承特征提取与智能识别方法研究
振动信号监测是旋转设备的故障诊断与状态监测中最常用手段之一，但在某些极端工况下，不适宜使用接触式测量方式进行信号采集。声信号由非接触方式采集，包含丰富的设备状态信息，但是相对振动信号信噪比较低，制约了声信号在故障诊断领域的应用。为探究如何有效利用声信号进行故障诊断，因此，本课题结合传统算法与深度学习算法，开展了基于声信号的故障提取与智能识别方法研究，主要内容如下: (1)提出了基于CEEMDAN与解卷积算法的声信号特征提取方法。在传统模态分解方法中，需对所产生经验模态分量逐个进行分析，针对传统模态分解算法自适应差的不足，应用最大峭度准则，可有效实现最优模态分量的自适应筛选。同时结合解卷积算法，增强声信号中的周期性冲击，提高了最大峭度准则在模型中的可靠性。通过仿真信号与实验信号，验证了所提出模型的有效性，并与单一模态分解算法相比，明显减少了冗余分析量，实现了自适应故障特征提取。 (2)构建了基于TextCNN的故障识别模型，实现了故障的智能诊断。基于卷积神经网络在图像模式识别领域所具有的优势，结合一维信号的时序特征，将一维数据段构造为二维特征图。利用一维卷积神经网络的时序序列特征提取能力，使用一维卷积核替换图像识别领域的二维卷积核。传统卷积神经网络中一般在单通道中只存在单尺寸卷积核，针对单尺寸卷积神经网络感受野较窄的缺点，丰富模型中卷积核尺寸类型，构造多尺寸卷积网络模型。通过分别采用振动信号数据与声信号数据集实验，验证了TextCNN网络模型与声信号在故障领域的适用性，同时输入不同尺寸数据集，验证了数据类型对网络训练的影响。并与一维单尺寸卷积神经网络，二维单尺寸卷积神经网络与高斯核函数支持向量机(RBF-SVM)对比，有效验证了所提出模型的优势。 (3)发展了基于LSTM-FCN网络的故障识别方法。将一维信号转换为二维数据特征图时，易破坏一维时序序列时间特征。声信号可认为是时序序列，为保留数据一维时序序列特征，采用overlap采样策略，强化数据内部特征，并直接采用一维数据切片作为数据集。一维卷积神经网络虽能处理时序序列，但所提取特征矩阵无法保证包含有效时间特征信息，长短时记忆神经网络可有效保留时间序列信息，在局部特征基础上叠加时间位移信息，解决了卷积神经网络所提取特征的非连贯性。构造LSTM-FCN网络模型，采用多转速数据集与多种数据长度数据集基于LSTM-FCN模型性能进行实验，优化了隐藏特征的可靠性，分别测试LSTM-FCN每个通道性能，证明了LSTM-FCN模型以声信号进行故障诊断的适用性。
滚动轴承;故障诊断;声信号;特征提取;智能识别
北京化工大学
硕士
机械工程
王华庆;关健
2020
中文
TH133.33
2020-11-17（万方平台首次上网日期，不代表论文的发表时间）