基于深度迁移学习的滚动轴承故障诊断方法研究.pdfVIP

摘要

摘要

滚动轴承是旋转机械中不可或缺的关键部件。由于其结构特性及工作环境的复杂

性，一旦发生故障，可能会严重影响机械设备的可靠性和使用寿命，导致设备停机、部

件损坏，甚至引发重大安全事故。因此，为确保设备稳定运行，及时对滚动轴承进行数

据质量监测和故障诊断至关重要。

随着大型机械设备复杂度的增加，对机械设备安全运行的监测手段也变得更加多

样化。然而，这也导致设备数据呈几何级数增长，数据质量保障面临挑战。近年来，基

于深度学习的方法在处理海量轴承数据的智能故障诊断中取得了显著进展。但是，深

度学习模型的训练需要大量标注数据，而由于大型设备中关键部位轴承实验的开展难

度大、费用高，导致损伤样本缺乏和样本数据分布不一致等问题。因此，本文旨在提高

滚动轴承数据质量和智能诊断精度，引入深度迁移学习算法，并以真实采集的实验数

据作为理论验证手段开展研究，其主要研究内容如下：

（1）针对大型轴承系统在多模式海量信号采集过程中出现的数据异常和缺失问题，

提出了一种基于自适应变分模式提取(AVME)的异常数据识别方法，成功识别了轴承加

速寿命实验中声发射传感器耦合不良的信号。该方法首先利用快速谱峭度和麻雀搜索



算法来寻找变分模式提取方法的最优参数和。接着，利用计算得到最优参数的

d

AVME，提取传感器耦合不良的信号特征模态。最后，设计了一种由幅值、均方根值和

包络谱稀疏度组合而成的新指标(ARE)，用于有效区分声发射传感器的耦合不良信号和

正常信号。通过对比耦合不良信号和轴承自然退化信号，验证了该算法的有效性。

（2）针对深度迁移学习故障诊断模型中存在的子域特征分布未对齐问题，提出了

一种基于频谱马尔可夫转移场的多尺度子域自适应方法(SMTF-MSAN)。该方法首先利

用SMTF将一维信号转换为二维图像。其次，建立了一种具有多尺寸卷积核的多尺度

注意力深度网络，用于提取图像中不同尺度的故障特征。然后，提出一种基于增强柯西

核诱导的局部最大均值差异算法，用于度量源域和目标域的子域特征分布差异，通过

最小化特征分布差异来对齐两域的子域分布。最后，利用实验台采集的轴承声发射信

号数据集和公开的轴承振动信号数据集，对提出的深度迁移学习算法进行了验证。

（3）针对基于深度迁移学习的滚动轴承故障诊断方法中缺乏不同轴承数据类型的

问题，设计并搭建了一种滚动轴承声发射信号采集平台。该平台包括滚动轴承加速寿

命试验台和声发射信号采集软件，能够有效采集滚动轴承的声发射信号数据。

关键词：深度迁移学习；子域自适应；变分模式提取；异常数据监测；滚动轴承故障诊

断

论文类型：应用研究

I

ABSTRACT

ABSTRACT

Rollingbearingisanindispensablekeycomponentinrotatingmachinery.Duetothe

complexityofitsstructuralcharacteristicsandworkingenvironment,onceafailureoccurs,it

mayseriouslyaffectthereliabilityandservicelifeofmechanicalequipment,resultingin

equipmentdowntime,componentdamage,andevenmajorsafetyaccidents.Therefore,in

ordertoensurethestableoperationoftheequipment,timelydataqualitymonitoringandf