基于卷积神经网络的旋转机械故障诊断算法研究
旋转机械作为动力装置的关键部件，其应用范围广泛，包括航空业、工业、机器人、汽车等领域。由于旋转机械长期处于工作状态,容易产生疲劳、损坏等异常状态，及时地检测出旋转机械的异常状态,能够有效的减少经济损失，避免生命危害。 因深度学习具有强大的特征学习能力，且能够快速建立端到端的模型，引起了许多研究人员的兴趣，提出了许多基于深度学习的旋转机械故障诊断模型。但随着所提的网路模型的参数量越来越大，不仅增加了模型的训练难度，同时也消耗了大量的计算资源，不利于工业的实际应用。在振动信号方面，由于不同故障数据间的强相似性问题，增加了特征学习难度，同时旋转机械是一种多部件的装置，所采集的信号容易受到其他部件的影响，容易对网络模型的特征学习造成干扰。 本文针对上述的问题，基于卷积神经网络提出了两种轻量化的网络模型和一种特征约束的方法，能够在保证网络模型的准确率的前提下，减少网络模型的计算量，同时所提出的特征约束的方法能够提高网络模型对多部件的抗干扰能力。主要内容如下: （1）提出一种名为LightNet的轻量化网络模型。本文使用空洞卷积进行特征学习来增加模型的感受野并且减少特征量，同时为了增加模型中的信息流通性，对不同通道中的特征进行重新排列。通过实验对比，所提的方法能够实现较低的计算量，并且可以获得较好的准确率。 （2）提出了一种名为LiteNet的轻量化网络模型。在保持模型轻量化的基础上，考虑到数据间的强相似性问题，通过特征压缩和特征扩充的方法提高模型对强相似信号之间的可分性。 （3）提出了一种特征值约束的方法。由于目标装置的振动信号容易受到其他部件的干扰，本文通过约束特征值的范围提高模型的鲁棒性。通过实验对比，所提的方法能够有效提高模型的鲁棒性。
故障诊断;旋转机械;深度学习;卷积神经网络;鲁棒性
北京化工大学
硕士
控制科学与工程
王友清
2023
中文
TP277
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）