基于振动信号降噪和迁移学习的滚动轴承故障诊断方法研究.pdfVIP

摘要

在当代制造业的快速发展下，旋转机械设备作为现代工业体系的核心动力载

体，其运行可靠性直接关乎生产连续性与经济效益。据统计，因核心部件故障导

致的非计划停机每年给全球制造业造成超千亿美元损失，其中滚动轴承失效占旋

转机械故障的30%以上。以风电、航空、高铁等关键领域为例，轴承突发故障不

仅会引发设备损坏，甚至可能酿成重大安全事故。然而，实际工业场景中，滚动

轴承常面临复杂工况下的强噪声干扰、变工况特征漂移等难题，现有诊断技术在

早期故障捕捉、跨工况识别等方面存在显著瓶颈。于是本文对滚动轴承工况复杂，

从信号处理和数据样本少的问题开展研究，主要内容如下：

1

（）针对滚动轴承早期故障信号噪声干扰大、特征提取困难的问题，提出一

种基于优化变分模态分解与改进小波阈值的特征重构方法。首先，利用捕鱼优化

算法优化VMD参数，对故障信号进行分解，得到本征模态函数分量；通过峭度准

则将IMF划分为信号主导分量与噪声主导分量，并采用改进的小波阈值对噪声主

导分量进行滤波处理。进一步，结合快速谱峭度确定带通滤波器参数，对降噪信

号进行频域增强，最后通过Hilbert包络谱提取故障特征频率。仿真实验表明，该

方法显著提升了信号信噪比，有效抑制了噪声干扰，能够准确识别故障特征频率，

验证了参数优化与算法改进的有效性。为复杂噪声环境下的故障特征提取与诊断

提供了可靠的技术支持。

2

（）针对变工况滚动轴承信号特征分布差异大的诊断精度低问题，为提升迁

移学习模型在噪声环境下诊断轴承相似故障类型的能力，提出一种基于通道注意

力机制的多尺度卷积神经网络的迁移学习方法。首先，对源工况和目标工况下的

滚动轴承振动信号进行短时傅里叶变换，将其转换为时频图作为输入；随后，利

用改进的多尺度卷积神经网络结合通道注意力机制，增强关键特征的提取能力，

并通过局部均值差异算法减小源域与目标域之间的子域分布差异，实现跨工况的

5

迁移学习。实验结果表明，该方法并在种噪声环境下均取得最高平均诊断精度，

能够准确识别轴承故障类型及其故障损失程度，在变工况目标域样本条件下仍能

有效提升故障诊断精度，为跨工况的滚动轴承智能诊断提供了可行解决方案。

3

（）根据滚动轴承故障诊断检测特点与需求，设计开发集数据管理、数据游

览分析、滚动轴承故障检测等功能于一体的滚动轴承故障诊断智能检测系统。该

系统对故障识别方法进行集成应用，可实现滚动轴承故障识别检测。

本文针对滚动轴承复杂工况下的信号处理和数据样本问题，提出特征重构、

变工况迁移学习方法及智能检测系统，构建了从算法到系统的完整技术体系。研

II

究成果既创新了诊断理论，又显著提升实际诊断精度，为保障设备安全、减少生

产损失提供技术支持，对制造业智能化发展具有重要意义。

关键词：振动信号，小波阈值，深度学习，迁移学习，故障诊断

III

ABSTRACT

Undertherapiddevelopmentofcontemporarymanufacturing,rotatingmachinery,

asthecorepowercarrierofmodernindustrialsystems,hasoperationalreliabilitythat

directlyimpactsproductioncontinuityandeconomicbenefits.Accordingtostatistics,

unplanneddowntimecausedbycriticalcomponentfailuresresultsinannuallosses

exceeding$100billiontotheglobalmanufacturingindustry,withrollingbearing

failuresaccountingforover30%ofrotatingmachinerymalfunctions.Inkeysectors

suchas