基于ISSEWD和SOWN的轴承工况识别研究

针对传统滚动轴承运行工况识别方法需要人工特征提取和特征选择的缺陷,提出了一种基于改进谱分割经验小波分解和自组织Wasserstein网络的轴承工况识别方法。首先将采集到的滚动轴承振动信号进行Fourier变换,从而得到了频谱,然后采用四分位数法检测信号频谱边界,进而对信号频谱进行了自适应分割,将滚动轴承振动信号分解为若干本征模态函数;然后筛选出最能反映轴承运行工况特征的IMFs,并进行了信号重构;最后堆叠多个Wasserstein自编码器,进一步构造了Wasserstein网络,并引入了自组织策略,将重构后的振动信号输入自组织Wasserstein网络,进行了自动特征学习与自动工况识别。研究结果表明:基于ISSEWD-SOWN组合模型的滚动轴承识别方法平均工况识别准确率98.98%,标准差仅0.15,相比于其他组合模型在轴承工况识别准确率方面更具优势,适用于滚动轴承运行工况的自动识别。

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。