□ 郭双全

上海电气集团股份有限公司 中央研究院 上海 200070

1 研究背景

滚动轴承是风电机组、汽轮机、电动机、机床等工业旋转类设备的重要零部件。滚动轴承故障,易造成较大的停机损失和影响。因此,及时识别或预警滚动轴承的故障状态,对于保障设备安全运行和高效运维有重要意义。

在工程实践中,为保障大型设备可靠运行,往往配备在线监测系统,对振动、电气、压力等关键参数进行动态高频采样监测。采用传统故障状态诊断方法时,通过时域分析、频域分析、时频分析等进行特征提取[1-3],通过支持向量机、神经网络、随机森林等方法进行故障状态识别[4]。随着深度学习技术在视觉和语音识别方面的快速发展,部分学者开始研究卷积神经网络在轴承故障诊断方面的应用[5]。李恒等[6]提出短时傅里叶变换和卷积神经网络相结合的轴承故障诊断方法。韩树发等[7]提出一种改进的深度迁移学习算法——联合领域自适应算法,与卷积神经网络相结合,进行多工况故障诊断,效果优于单一卷积神经网络。

虽然采用卷积神经网络可以在一定程度上实现对轴承故障状态下复杂时频特征的提取,但是模型层数和模型参数的确定需要多次尝试和较多的经验,还未形成可靠的方法,往往训练的模型泛化性能不足。集成学习算法可以通过对多个弱学习器的融合,显著提高模型的泛化性能[8]。由此,笔者针对振动信号时频谱图,即短时傅里叶变换谱的数据结构特点,设计三个不同的卷积神经网络模型,通过全连接神经网络对这三个不同的卷积神经网络进行融合,采用常用的引导聚集集成学习方法训练融合模型,实现对滚动轴承故障状态的智能识别。……