目的針對(duì)傳統(tǒng)信號(hào)分析方法在滾動(dòng)軸承故障特征提取和故障分類等方面的不足,結(jié)合堆棧去噪自編碼（Stacked De-noising Auto-Encoders,SDAE）算法在提取特征和特征分類等方面的優(yōu)勢(shì),提出一種基于灰度共生矩陣（Grey-Level Co-occurrence Matrix,GLCM）和SDAE的滾動(dòng)軸承智能故障診斷方法.方法首先通過短時(shí)傅里葉變換（Short-Time Fourier Transform,STFT）將滾動(dòng)軸承振動(dòng)信號(hào)轉(zhuǎn)化為灰度時(shí)頻圖,然后利用灰度共生矩陣提取灰度時(shí)頻圖中的故障特征參數(shù),構(gòu)建滾動(dòng)軸承故障類別的特征向量空間,最后將其輸入到構(gòu)建的SDAE網(wǎng)絡(luò)模型中,以實(shí)現(xiàn)滾動(dòng)軸承的智能故障診斷.結(jié)果在軸承數(shù)據(jù)集上進(jìn)行了故障特征提取和故障類型識(shí)別實(shí)驗(yàn),結(jié)果表明筆者所提方法在訓(xùn)練集和測(cè)試集上平均分類精度均達(dá)到了95%以上.結(jié)論相較于從原始信號(hào)中提取特征的支持向量機(jī)（Support Vector Machine,SVM）、深度信念網(wǎng)絡(luò)（Deep Belief Network,DBN）等方法,筆者所提出的方法能夠提高故障識(shí)別率,可有效地對(duì)滾動(dòng)軸承故障狀態(tài)進(jìn)行智能診... 

【文章來源】：沈陽建筑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,36(04)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

技術(shù)路線圖

SDAE網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,每個(gè)DAE完成訓(xùn)練后,其輸出層輸出的數(shù)據(jù)將作為下一個(gè)DAE的輸入,這樣經(jīng)過逐層的學(xué)習(xí),完成了輸入數(shù)據(jù)特征的表示.DAE的核心思想是令編碼器的輸入層節(jié)點(diǎn)按照給定的比例隨機(jī)置為零.如圖2中,黑色節(jié)點(diǎn)表示置零的神經(jīng)元節(jié)點(diǎn),這樣將輸入數(shù)據(jù)人工受損來訓(xùn)練網(wǎng)絡(luò),再從受損數(shù)據(jù)的基礎(chǔ)上重構(gòu)輸出數(shù)據(jù),從而整體提升編碼器的魯棒性能.利用逐層貪心算法訓(xùn)練每個(gè)DAE[17],在將訓(xùn)練好的DAE堆疊起來就組成了SDAE網(wǎng)絡(luò),為了實(shí)現(xiàn)模型的故障分類功能,筆者在SDAE網(wǎng)絡(luò)最后一層加上了Soft-max分類器.SDAE網(wǎng)絡(luò)在完成預(yù)訓(xùn)練后,模型中各隱藏層之間和最后的分類層之間的權(quán)重作為網(wǎng)絡(luò)的初始模型參數(shù),訓(xùn)練過程采用反向傳播法更新網(wǎng)絡(luò)參數(shù)[18],其過程可描述為:設(shè)輸入的滾動(dòng)軸承故障樣本集為X={xi|1≤i≤N},隱藏層輸出向量集為H={hi|1≤i≤N},輸出層輸出向量集合為 X ^ ={ x i ^ |1≤i≤Ν} .其中,N為故障樣本總個(gè)數(shù),xi為第i個(gè)故障樣本,hi表示其所對(duì)應(yīng)的特征向量,xi表示第i個(gè)故障樣本對(duì)應(yīng)的輸出,則每個(gè)DAE隱藏層的輸出表示為

為了驗(yàn)證所提出的方法的有效性,筆者準(zhǔn)備了大量樣本進(jìn)行了故障診斷實(shí)驗(yàn).筆者所采用的數(shù)據(jù)集來自美國(guó)西儲(chǔ)大學(xué)軸承數(shù)據(jù)庫[19].實(shí)驗(yàn)裝置如圖3所示,主要部件包括主軸電機(jī)、扭矩傳感器、測(cè)功機(jī)和負(fù)載電機(jī).采用電火花加工的加工方式對(duì)試驗(yàn)軸承進(jìn)行單點(diǎn)故障處理,分別在軸承外圈(OR)、軸承內(nèi)圈(IR)和滾動(dòng)體(RE)的測(cè)試驅(qū)動(dòng)端軸承上制造0.007 mm、0.014 mm和0.021 mm的單點(diǎn)故障.數(shù)據(jù)采樣頻率為12 kHz.實(shí)驗(yàn)采集到的原始時(shí)域信號(hào)圖像如圖4所示.由圖可知,不同狀態(tài)下的滾動(dòng)軸承時(shí)域波形有一定區(qū)別,但對(duì)于非專業(yè)人士來說,難以實(shí)現(xiàn)對(duì)軸承故障狀態(tài)的完全識(shí)別.圖4 原始信號(hào)時(shí)域信號(hào)圖

【參考文獻(xiàn)】：
期刊論文
[1]基于多模態(tài)堆疊自動(dòng)編碼器的感應(yīng)電機(jī)故障診斷[J]. 蔣愛國(guó),符培倫,谷明,王金江.  電子測(cè)量與儀器學(xué)報(bào). 2018(08)
[2]工業(yè)大數(shù)據(jù)分析技術(shù)的發(fā)展及其面臨的挑戰(zhàn)[J]. 何文韜,邵誠(chéng).  信息與控制. 2018(04)
[3]堆疊自編碼網(wǎng)絡(luò)性能優(yōu)化及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 張西寧,向宙,夏心銳,李立帆.  西安交通大學(xué)學(xué)報(bào). 2018(10)
[4]基于改進(jìn)堆疊降噪自編碼的滾動(dòng)軸承故障分類[J]. 侯文擎,葉鳴,李巍華.  機(jī)械工程學(xué)報(bào). 2018(07)
[5]基于小波時(shí)頻圖和CNN的滾動(dòng)軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機(jī)械設(shè)計(jì)與研究. 2017(02)
[6]基于IMF投影圖像分析的滾動(dòng)軸承故障診斷方法研究[J]. 黃雪梅.  機(jī)械傳動(dòng). 2017(04)
[7]基于HHT和有監(jiān)督稀疏編碼的滾動(dòng)軸承故障狀態(tài)識(shí)別方法[J]. 俞嘯,丁恩杰,陳春旭,李力.  煤炭學(xué)報(bào). 2015(11)
[8]基于灰度共生矩陣和人工神經(jīng)網(wǎng)絡(luò)的肺癌CT圖像的分類研究[J]. 鞏萍,王阿明.  生物醫(yī)學(xué)工程與臨床. 2013(06)

博士論文
[1]基于時(shí)頻圖像識(shí)別的旋轉(zhuǎn)機(jī)械多特征融合故障診斷方法研究[D]. 王維剛.哈爾濱工業(yè)大學(xué) 2016



本文編號(hào)：3618265