基于多特征融合及深度信念網(wǎng)絡(luò)的軸承故障診斷.pdf

1、軸承是旋轉(zhuǎn)機械的重要組成部分，軸承故障診斷對保障機械設(shè)備安全、穩(wěn)定運行具有重要意義。論文針對機械故障振動信號非平穩(wěn)性、非線性等復(fù)雜特征，提出一種基于多特征融合及深度信念網(wǎng)絡(luò)的軸承故障診斷方法。
　　首先，研究了基于雙樹復(fù)小波(DTCWT)的軸承故障特征提取方法。指出 DTCWT具有平移不變性和抑制頻率混疊的優(yōu)良特性，能夠?qū)C械振動信號進(jìn)行有效分解。通過對不同位置損傷的軸承進(jìn)行故障診斷實驗，結(jié)合模糊C均值(FCM)聚類實現(xiàn)軸承故障診

2、斷，驗證該方法提取軸承故障特征的有效性。
　　其次，研究基于 MMEMD的軸承故障特征提取方法。針對EMD模態(tài)混疊，提出了其改進(jìn)算法多重屏蔽經(jīng)驗?zāi)B(tài)分解(MMEMD)。并通過仿真實驗表明MMEMD能夠有效解決EMD模態(tài)混疊問題，有利于軸承振動信號分解。結(jié)合支持向量機，對軸承正常狀態(tài)、不同位置和不同程度損傷共10種狀態(tài)進(jìn)行故障診斷實驗，實現(xiàn)軸承故障診斷，驗證該方法提取軸承故障特征的有效性。
　　再次，研究了基于VMD的軸承故障

3、特征提取方法。VMD采用變分框架解決了EMD模態(tài)混疊問題，同時能夠?qū)崿F(xiàn)信號濾波，有利于軸承故障特征提取。結(jié)合支持向量機對軸承正常狀態(tài)、不同位置和不同程度損傷共10種狀態(tài)進(jìn)行故障診斷實驗，實現(xiàn)軸承故障診斷，驗證了基于VMD的軸承故障特征提取方法的有效性。
　　然后，針對機械故障模式識別問題，設(shè)計了基于深度信念網(wǎng)絡(luò)(DBN)的小樣本分類器。通過對Iris數(shù)據(jù)集進(jìn)行分類，驗證了其在小樣本分類中具有較高的分類準(zhǔn)確率和穩(wěn)定性。將其與 VMD

4、樣本熵結(jié)合用于軸承故障診斷中，對軸承正常狀態(tài)、不同位置和不同程度損傷共10種狀態(tài)進(jìn)行故障診斷實驗，驗證其在軸承故障診斷模式識別中的有效性。
　　最后，將多特征與DBN結(jié)合，進(jìn)行軸承故障診斷應(yīng)用。首先對軸承振動信號進(jìn)行 FCM聚類分析，初步確定是否存在故障，并確定少數(shù)樣本的標(biāo)簽。然后提取DTCWT樣本熵、MMEMD能量熵和 VMD樣本熵，并通過主成分分析(PCA)方法將三種軸承故障特征進(jìn)行融合，得到軸承故障融合特征。最后經(jīng)DBN小樣