基于多特征融合及深度信念網絡的軸承故障診斷.pdf

1、軸承是旋轉機械的重要組成部分，軸承故障診斷對保障機械設備安全、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、非線性等復雜特征，提出一種基于多特征融合及深度信念網絡的軸承故障診斷方法。
　　首先，研究了基于雙樹復小波(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，能夠對機械振動信號進行有效分解。通過對不同位置損傷的軸承進行故障診斷實驗，結合模糊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，提出了其改進算法多重屏蔽經驗模態(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，同時能夠實現(xiàn)信號濾波，有利于軸承故障特征提取。結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，設計了基于深度信念網絡(DBN)的小樣本分類器。通過對Iris數(shù)據(jù)集進行分類，驗證了其在小樣本分類中具有較高的分類準確率和穩(wěn)定性。將其與 VMD

4、樣本熵結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結合，進行軸承故障診斷應用。首先對軸承振動信號進行 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行融合，得到軸承故障融合特征。最后經DBN小樣