基于深度学习的滚动轴承故障预测与健康管理研究
滚动轴承是制造业设备中最常见的一种旋转机械传动装置，在风电、航天、矿山机械、纺织机械、汽车零部件等领域应用广泛。在实际制造业生产过程中，滚动轴承往往处于使用环境条件差且高速运转的工况下，在运行过程中极易发生故障。滚动轴承由于其工作特性可能会由各种原因引起损坏，若不能及时发现设备运行异常，轻则造成停机事故，给企业生产带来损失，严重的还会造成安全事故。因此，掌握滚动轴承的运行状态对于企业安全生产是十分重要的。 目前企业存在着对于含有滚动轴承的设备运行状态检测需要依靠人工巡检，传感器采集的运行数据需要人工分析等现状，需要运维人员依靠大量专业知识贮备才能进行相关数据的分析和设备运行状态判断，不满足现代化工业生产的需要。近年来，随着人工智能应用范围的不断扩展，基于深度学习的滚动轴承寿命预测和故障诊断方法为滚动轴承设备健康管理提供了新思路。因此，本文在故障预测与健康管理思想与深度学习相结合的基础上，提出了一种基于深度学习的滚动轴承故障预测与健康管理系统，用以实现对滚动轴承设备运行状态的把控。 首先根据检测模型输入需求，研究了滚动轴承故障机理和振动信号分析方法。其次,根据滚动轴承退化趋势的特点，提出基于Tree-LSTM的滚动轴承剩余寿命预测算法，在输入层增加多尺度卷积神经网络和趋势一致性评价指标构成的特征筛选层，提高了模型对于轴承退化趋势的精度，通过测试集验证，模型预测的滚动轴承剩余寿命百分比误差达到12.39％,可对轴承剩余寿命提供有效预测。针对轴承故障分类问题，提出基于Faster-RCNN的滚动轴承故障分类算法，引入加权双向特征金字塔网络，并通过可形变卷积改善模型特征提取性能，通过测试集验证，模型对于常见的十类滚动轴承故障检测准确率、精确率、召回率、F1值都能达到95％,满足实际设备运维管理的需求。最后，通过PYQT软件编写滚动轴承健康管理系统终端上位机界面，将各种预测分类算法进行整合，在满足不同情况下的检测需求的同时，提升滚动轴承设备运行管理的自动化程度，降低了系统部署和操作难度，具有一定实际应用价值。
滚动轴承;故障预测;健康管理;神经网络
武汉纺织大学
硕士
机械
罗维平
2023
中文
TH133.33
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）