多模態學習方法在滾動軸承故障診斷中的應用

薛陽,雷文平,岳帥旭,徐向陽,王坤

(鄭州大學 振動工程研究所,鄭州 450001)

滾動軸承是重要的機械基礎件,是旋轉機械設備故障的主要來源[1],因軸承的故障比例占總故障的30%[2]。負載作為實際運行的一項重要指標,其變化會直接影響滾動軸承振動特征的改變[3],工廠的噪聲環境也會對信號提取產生干擾。而深度學習[4]具有強大的特征提取能力,并能對工業大數據時代[5]海量的監測數據進行高效分析,因此可利用深度學習方法對變負載及噪聲工況下滾動軸承故障類型進行判別。

蘭州理工大學趙小強等提出改進Alexnet的滾動軸承變工況診斷方法[6],將一維時域信號橫向插樣構建以改進Alexnet輸入的二維特征圖,保留了特征提取過程中信號的時序性和關聯性;安徽工業大學姜戰偉提出一種基于參數優化的變分模態分解方法[7]對變工況滾動軸承時域信號處理,使其在變工況下滾動軸承多狀態分類中具有更高準確率。以上研究是基于一種模態信號,近年來也有學者利用多模態特征對轉子故障診斷開展了研究:長沙電力學院李錄平等針對汽輪發電機組碰磨故障,采用傅里葉和離散小波變換分別從定性和定量兩個方面[8]對汽輪發電機組動靜碰磨故障的典型特征進行了分析和研究;陳志強等將一維振動信號轉化為二維圖像提取特征[9],用深度學習進行齒輪箱的故障識別。

現有的故障分析主要基于振動信號的時域、頻域、時頻域3個模態,當采用單一模態特征進行診斷分析時缺乏對其他模態的聯合提取;而當模態特征提取過多時則可能出現信號冗余,增加診斷的復雜程度且無法保證診斷的時效性。……