針對(duì)軸承故障診斷中人工提取特征依賴(lài)經(jīng)驗(yàn),且泛化性和自適應(yīng)能力弱等問(wèn)題,提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）與WPT-PWVD的智能故障診斷新方法。①利用小波包變換（WPT）將軸承故障信號(hào)進(jìn)行自適應(yīng)分解以提取有效高頻成分并進(jìn)行重構(gòu);②利用希爾伯特算法對(duì)重構(gòu)信號(hào)做包絡(luò)解調(diào)并進(jìn)行偽魏格納分布（PWVD）以得到能揭示軸承主要故障信息的時(shí)頻圖;③構(gòu)建DCNN網(wǎng)絡(luò)對(duì)軸承故障時(shí)頻圖自動(dòng)學(xué)習(xí)提取故障特征,并通過(guò)在DCNN特征輸出層后添加的Softmax多分類(lèi)器進(jìn)行網(wǎng)絡(luò)參數(shù)微調(diào),將特征自動(dòng)學(xué)習(xí)提取與故障分類(lèi)融為一體,實(shí)現(xiàn)軸承故障智能診斷。使用所提方法對(duì)不同工況、不同故障程度及不同故障類(lèi)型的軸承進(jìn)行診斷,結(jié)果證明了所提方法診斷精度高,且泛化能力強(qiáng)。 

【文章來(lái)源】：振動(dòng)與沖擊. 2020,39(16)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

單層卷積神經(jīng)網(wǎng)絡(luò)

小波包變換方法是一種處理非線性、非平穩(wěn)信號(hào)的時(shí)頻分析方法,具有自適應(yīng)窄帶濾波、全頻率域漸細(xì)分辨能力等特點(diǎn)[12]。如圖2所示,WPT不僅能對(duì)信號(hào)低頻成分進(jìn)行分解,還能對(duì)高頻成分進(jìn)一步分解。隨著分解級(jí)數(shù)增加,小波包系數(shù)Wmn可對(duì)信號(hào)進(jìn)行不同程度表征以揭示不同頻帶信息。若對(duì)軸承信號(hào)進(jìn)行i層小波包分解,則其中m=i,n=2i-1。令i=3,則小波包分解中,其低頻系數(shù)為W30,高頻系數(shù)為W31,W32,…,W37�？紤]到軸承發(fā)生故障時(shí)沖擊信號(hào)會(huì)被調(diào)制到軸承系統(tǒng)的高頻共振帶中[13],故可選取有效高頻成分并重構(gòu)以提取故障信息。

步驟2 小波包分解。利用WPT方法將軸承不同故障信號(hào)自適應(yīng)分解到多個(gè)頻帶上(3層小波包分解,db1為小波基)。如圖3所示,為將軸承內(nèi)圈故障WPT分解前5個(gè)分量重構(gòu)后得到的信號(hào)。步驟3 高頻成分選擇。由于軸承出現(xiàn)故障時(shí)會(huì)產(chǎn)生明顯的沖擊信號(hào)且易被調(diào)制到高頻共振帶中,故這些頻段內(nèi)通常包含著豐富的故障信息,故本文通過(guò)計(jì)算小波包能量來(lái)選取有效高頻分量并進(jìn)行Hilbert解調(diào)以揭示故障信息。如圖4所示為小波包能量值,可觀察到在(3,2)以及(3,6)節(jié)點(diǎn)所處高頻區(qū)內(nèi)能量值最集中,明顯包含了被調(diào)制后的軸承故障沖擊信號(hào)。


本文編號(hào)：2980046