基于深度学习的滚动轴承早期微弱故障声发射信号特征提取算法研究

Rolling bearing early weak fault signal characteristics and dynamic response of the weak potential, feature extraction is the key problem of the development of early fault diagnosis. In order to solve this problem, this project carry out the following research: 1) to explore the influence of parameters to acoustic mission, such as the source of trouble characteristics, acoustic wave propagation and attenuation mechanism and the distribution of sensor, to build the relationship between the fault source, noise and acoustic emission. 2) to explore the principle of particle filter, build path similarity of particle filter, and suppress background noise interference of feature extraction; 3) research on deep learning algorithms, combining with the characteristics of rolling bearing acoustic emission signal, to build a many hidden layer structure model and improve the performance of feature extraction method; 4) according to the research content 1), (2) and (3) of acoustic signal characteristic parameters, establish rolling bearing in the early fault feature extraction framework. This topic will be through the way of combining simulation and physical experiment validate, early weak fault diagnosis for mechanical equipment is expected to provide theoretical basis and application support.

滚动轴承早期微弱故障信号具有潜在性和动态响应的微弱性等特点，特征提取是限制早期故障诊断发展的关键问题。针对这一问题，本项目拟从故障机理的研究和影响特征提取的关键因素入手，开展如下主要研究：1) 探究故障源特性、声波传播和衰减机理及传感器的布置等参量对声信号的影响，构建故障源、噪声和采集到的声信号之间的关系模型。2）探索粒子滤波原理，构建观测路径相似性的自适应粒子滤波器，抑制背景噪声对特征提取的干扰；3）研究深度学习算法，结合滚动轴承声发射信号的特点，构建滚动轴承早期微弱故障声信号的含有多隐层的构架模型，提高特征提取方法的性能；4）根据研究内容1）、2）和3）所得到的声信号特征参量，建立滚动轴承早期微弱故障特征提取框架。本课题将通过仿真实验与实物试验相结合的方式进行验证，预计为机械设备早期微弱故障诊断提供理论基础和应用支撑。

随着工业机械化的迅猛发展，机械设备的生产效率不断提高，其工况复杂性也大大增加，给故障诊断带来新的困难。滚动轴承因其承载能力强、摩擦系数小等优势被广泛应用于机械工业等领域，但它也是旋转机械中最易损坏的部件之一。若能尽早诊断出轴承故障并修复，能有效降低安全隐患与经济损失。.轴承微弱故障信号特征易受噪声和人为干扰等因素影响，无法直接进行轴承的状态识别。因此在研究初期提出了将互补总体平均经验模态分解（Complementary Ensemble Empirical Mode Decomposition, CEEMD）与小波包变换（Wavelet Package Transform, WPT）结合的CEEMD-WPT特征信号提取算法、解相关与CEEMD相结合的算法、自适应部分集成局部特征尺度分解（Adaptive Partly-ensemble LCD, APLCD）与小波包变换（Wavelet Package Transform ,WPT）结合的APLCD-WPT方法来解决传统特征提取方法带来的模态混叠现象，对轴承的故障特征进行了精确的提取。针对滚动轴承微弱故障诊断问题，提出了使用自适应随机共振的方法，利用遗传算法对随机共振的参数进行寻优，有效提高了滚动轴承微弱故障诊断的效果。.研究中期，通过参考凯斯西储大学的轴承数据，我们采集了一组全新的、包含30种复合故障类型的齿轮箱轴承、齿轮故障数据集，用于深度学习的研究。在研究中，使用堆叠稀疏自编码网络、多层循环神经网络、卷积神经网络等对轴承数据进行故障诊断的研究。研究表明上述深度学习方法均能够自适应的提取故障数据的特征，且分类精度能够到达98%。同时，研究中发现多任务深度学习方法能够很好的解决齿轮箱轴承和齿轮两个目标同时诊断的任务。但在实际使用时，当诊断对象的转速或负载与训练集差异较大时，上述深度学习网络的诊断效果会明显下降。因此在研究后期，提出了使用深度度量学习的方法应用于故障诊断，该方法能够提高网络对未知数据的处理能力。不需要对训练好的网络进行重新训练，仅将新的数据重新标定后，进行特征入库即可。.本研究对深度学习在轴承故障诊断方面进行了一定的探索，表明了深度学习故障诊断方法的可行性，为滚动轴承早期微弱故障智能监测及多目标故障诊断提供了新思路。