基于卷积网络和多任务学习的轴承故障诊断研究
轴承作为工业生产中最常见、应用最广泛的机械设备之一，其产生的故障对于生产效率和成本影响巨大，因此实现快速准确的故障诊断非常重要。目前，轴承设备的故障诊断通常基于专家经验和规则，这种方法需要大量的时间和资源，并且在复杂的故障情况下容易出错。随着传感器技术和深度学习的发展，基于数据驱动的轴承故障诊断方法已广泛应用。本文利用深度学习技术针对以下问题对轴承设备进行故障诊断研究:轴承设备运行环境恶劣，通过传感器采集的振动信号数据噪声复杂;传统深度卷积神经网络特征提取能力有限，并且无法学习时序信号周期特性;故障诊断和寿命预测作为轴承设备运行保障中的两个重要目标任务，在轴承设备的运行维护时，往往想要同时得到轴承的健康状态信息和退化信息，传统方法需要单独训练故障诊断和寿命预测两个模型，效率低下，而且无法利用任务之间的相关性。本文以轴承振动信号数据作为研究对象，针对以上问题分析和研究了轴承设备的故障诊断，以保证轴承稳定运行，从而保障生产生活的人身和财产安全。本文的主要研究内容包括: 1、针对轴承振动信号噪声复杂、信号非平稳的问题，提出了一种基于改进自适应噪声完备集合经验模态分解和小波变换自适应阈值去噪方法。该方法首先基于改进自适应噪声完备集合经验模态分解对原始信号进行模态分解，得到频率各不相同的固本分量，接着对高频分量使用改进的小波变换自适应阈值方法进行去噪，最后合成各分类得到去噪信号。进行模拟信号去噪实验以及轴承振动信号去噪后的故障分类实验，实验结果表明，所提去噪方法与多种传统去噪方法相比，在非平稳信号去噪上拥有更好的效果。 2、针对传统深度卷积神经网络在轴承设备故障类型分类时训练效率低并缺乏时序分析能力导致分类精度差的问题，提出一种带有周期性分析的多尺度融合轻量级卷积神经网络。该方法首先建立带有通道和位置的双重注意力机制的轻量级卷积模块(lightweightconvolutionalneuralnetworkswithattention,ALCNN),紧接着结合基于傅里叶变换周期性分析方法提取周期特征，最后融合一维ALCNN提取到的原始信号特征，进而在提高模型训练效率的同时精准地进行轴承设备故障诊断。通过轴承故障诊断实验，和多种传统深度卷积神经网络进行对比，所提方法的故障诊断准确率得到了显著提升，验证了所提方法在轴承设备故障诊断领域是行之有效的。 3、针对传统保证轴承设备运行需要分别诊断故障诊断和剩余寿命预测建立单任务模型的效率低下问题，以及硬共享多任务方法泛化能力低等问题，建立基于提出的傅里叶周期性分析的ALCNN(ALCNNwithfourierperiodicanalysis,FP-ALCNN)作为共享特征提取结构的软共享模式的多任务学习方法。该方法基于FP-ALCNN作为共享特征提取层，并基于注意力机制设计针对于特定任务的私有特征提取结构，同时基于任务的难易程度进行动态任务权重设置，实现了软共享模式的多任务学习方法，可同时进行轴承故障诊断和剩余寿命预测，有效的提高了模型的训练效率以及泛化能力。最后通过在轴承全寿命运行退化数据集上进行故障诊断和剩余寿命预测实验，所提的软共享模式的多任务学习方法，和单任务学习方法和传统硬共享多任务学习方法相比，在故障诊断和剩余寿命预测上结果的精度得到了全面的提高，验证了所提方法有更好地准确性和泛化能力。
轴承故障诊断;自适应去噪;多任务学习;深度学习;卷积网络
北京化工大学
硕士
计算机科学与技术
耿志强
2023
中文
TH133.3
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）