基于循环神经网络的轴承故障诊断研究

作     者：王军霞 

作者单位：中国石油大学(北京) 

学位级别：硕士

导师姓名：刘建军;游泳

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

主      题：滚动轴承故障诊断 长短期记忆网络 多尺度卷积神经网络 描述性统计分析 非参数统计分析 

摘      要：针对滚动轴承故障的渐进连续过程,以及大数据下的自适应提取故障特征与智能诊断问题,本文研究了滚动轴承故障的智能诊断。采用长短期记忆网络进行滚动轴承的故障诊断研究,克服了简单循环网络的梯度爆炸和梯度消失现象,并结合描述性统计分析,包括时域波形图、峭度系数和Pearson相关系数,对神经网络的不可解释性进行补充,同时融合了多尺度卷积神经网络,提取信号不同频率信息和提高模型训练速度,准确率最终收敛于93.2%,且故障深度为0.007inch的内圈故障轴承、故障深度为0.021inch的内圈故障轴承、故障深度为0.007inch的外圈故障轴承和健康轴承的诊断准确率均高达100%。 此外,在变工况问题的提升模型自适应能力方面,本文从统计分析角度考虑,构建了混合诊断模型。通过非参数多重比较总体相似性,对于与已有总体在置信度内认为相似的新总体直接使用训练好的模型及模型参数进行故障状态诊断,而对于与已有总体在置信度内认为不相似的新总体则重新训练模型进而完成故障状态诊断。结果表示1HP负载数据总体和2HP负载数据总体与所研究的3HP负载总体在置信水平为0.05的情况下,可以认为是相似的,使用训练好的模型直接对其进行预测时,均达到了82%及以上的预测准确率。