基于MTCN的滚动轴承故障诊断方法研究

为解决滚动轴承在不同转速、动载荷等变工况下故障诊断精度低的问题,基于已有时间卷积网络(TCN)提出多路时间卷积网络(MTCN)获得不同感受野下的振动信号特征,从而提高滚动轴承故障诊断准确率。首先,该网络使用了三路TCN网络,其中两路为原始振动信号输入到不同膨胀尺度的TCN网络,另一路将提取的时域特征输入TCN网络。然后,将三路特征进行拼接后输入全连接层中通过Softmax进行多分类。实验表明,在含有多种转速、动载荷等工况的数据集中,MTCN的滚动轴承故障诊断准确率可达到97.19%,相较于长短期记忆网络(LSTM)和一维卷积的AlexNet准确率更高。

基于协整理论的滚动轴承一致性退化特征提取

通过对多个实验室不同工况下的轴承全寿命数据进行特征提取,分析一阶差分绝对和与0.1分位数之间存在的协整关系,提出基于协整理论的滚动轴承一致性退化特征提取方法。该方法可将不同的滚动轴承全寿命数据统一起来,得到不同工况下、不同轴承的一致性退化特征。对多个实验室不同工况下的全寿命数据进行实验,分析所提特征具有一致性的原因,进一步通过动态时间规整(DTW)方法计算特征序列之间的相似度,验证了该方法所提特征在一致性方面的优势。计算结果表明,根据相似度均值来衡量,所提协整特征的一致性为一阶差分绝对和的2.024倍,为0.1分位数的3.799倍。通过对比协整融合与其他常见的多种融合算法,结果表明,所提特征可有效减少来自工况等因素的影响,具有较好的两段性。