基于深度信念網(wǎng)絡與多傳感器信息融合的滾動軸承故障診斷研究.pdf

1、滾動軸承是現(xiàn)代工業(yè)設備中應用最為普遍的機械部件之一，其工作狀態(tài)直接決定著重大裝備和主機產品的性能、質量和可靠性?，F(xiàn)階段滾動軸承故障診斷研究工作主要包含兩個方面的內容:滾動軸承故障位置識別、滾動軸承損傷程度識別。然而，研究工作很少將兩者結合起來同時進行。為了達到滾動軸承故障診斷過程中，即能有效的判斷出軸承故障位置，又能準確的給出相應損傷程度的目的，本文主要從以下四個方面開展研究工作:
　　1.提取能夠有效反映故障樣本所屬故障狀態(tài)以及

2、相應損傷程度的故障特征。本文提取Lempel-Ziv復雜度（Lempel-Ziv Complexity,LZC）、排列熵(PermutationEntropy,PE)兩種時間序列非線性復雜度分析指標作為故障特征，試驗結果表明，上述特征可將軸承正常狀態(tài)與故障狀態(tài)有效區(qū)分。為了進一步區(qū)分故障樣本所屬故障狀態(tài)以及相應的損傷程度，將LZC指標與小波包分析相結合、PE指標與EEMD分解相結合實現(xiàn)不同損傷程度的軸承故障特征提取。同時，采用基于類內類

3、間散度矩陣的故障特征維數(shù)評價方法驗證了本文所確定的故障特征維數(shù)的合理性。
　　2.利用分類效果較優(yōu)的深度信念網(wǎng)絡（Deep Belief Network，DBN）作為分類器，實現(xiàn)更加精確的故障識別。針對DBN中的隱含層節(jié)點數(shù)、預訓練過程以及調優(yōu)過程中不同層之間的學習率、動量項等參數(shù)設置問題，提出了基于GA-PSO雜交尋優(yōu)的DBN參數(shù)優(yōu)化算法。試驗結果表明，該優(yōu)化算法可快速獲取最優(yōu)參數(shù)，完成DBN網(wǎng)絡參數(shù)設置任務。
　　3.利

4、用軸承座水平方向、垂直方向對應的DBN分類器的診斷結果構造基本概率分配函數(shù)，通過D-S證據(jù)理論融合得到最終診斷結果，提高診斷結果正確率，增強診斷方法的容錯能力。試驗結果表明，多傳感器信息融合的診斷精度明顯優(yōu)于單一傳感器。
　　4.構造滾動軸承故障分級診斷框架，實現(xiàn)滾動軸承故障狀態(tài)以及相應損傷程度的逐層識別。其中，第一層用于判斷故障樣本所屬的故障狀態(tài)，第二層用于區(qū)分故障樣本對應的損傷程度，并給出了分級框架正確率計算公式。