论文部分内容阅读
滚动轴承是旋转机械安全、可靠运行的关键零部件。滚动轴承出现故障将严重影响设备使用寿命及生产效率。针对轴承等旋转机械故障频发部件,开展故障趋势及剩余寿命预测可显著降低设备维护成本,提高企业管理水平,避免重大生产事故,实现旋转机械由“事后维修”到“预知维修”的转变。因此,本文的研究具有极大的理论与工程实践意义。本论文以振动信号时域特征为基础,围绕深度学习理论及时间序列分析技术开展了基于稀疏编码的滚动轴承故障预测方法研究。首先,在综述了各类故障预测技术的基础上,强调了基于数据驱动的方法在故障预测上的优势,并对比分析了传统机器学习方法中的基于Bagging的决策树预测方法和基于粒子群的支持向量回归预测方法对时域特征的预测性能。研究发现两种机器学习方法需要繁琐的多参数调优,并且鲁棒性和预测精度有待提高。其次,针对机器学习方法在轴承故障预测上的不足,采用最新的深度学习方法对轴承故障进行预测,并着重介绍了深度学习中稀疏编码方法。该方法通过无监督字典学习与系数求解的重复迭代,深入挖掘数据内部信息,对信号稀疏重构,有效减少数据本身的冗余信息。通过与自回归模型结合能够在少量参数调优的情况下做到对数据的高效拟合。由智能维护系统(IMS)轴承试验平台采集轴承全生命周期振动数据,验证了稀疏编码方法具有比机器学习方法更高的鲁棒性和预测精度。再次,采用一种权重约束稀疏编码方法,进一步改进传统的稀疏编码模型,提高模型的预测性能。该方法运用基追踪去噪(Basis Pursuit De Noising,BPDN)算法,改进了基追踪算法(Basis Pursuit,BP)中因没有考虑噪声等不切合工程实际的问题。为解决传统稀疏编码模型导致数据过于稀疏和预测性能下降等问题,所提的权重约束稀疏编码方法加入局部线性嵌入(Locally Linear Embedding,LLE)算法,改进稀疏约束规则进行。通过IMS轴承全生命周期实验对该方法的性能进行了分析,结果显示该方法具有更好的预测性能。最后,基于深度学习理论中的深层网络模式,采用一种具有多层结构的深度稀疏编码学习模型。该方法在所提出的权重约束稀疏编码的基础上,增加最大池化层(Max-Pooling),通过层层递进组成一个网络单元模型。这种具有贪婪学习特点的多层稀疏编码模型能够有效提取信号内部的更高维特征,表现出更优良的稀疏重构特性。研究在趋势预测的基础上对轴承剩余寿命进行预测。实验验证了该深度稀疏编码模型在轴承故障趋势预测上的效果,并对比分析了两种稀疏编码模型在剩余寿命预测领域的性能。