为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

本文提出了一种基于全矢谱的RNN故障诊断方法。RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类。全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征。经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型。

以矢谱分析为基础,提出了一种针对双通道振动信号的分析方法--矢功率谱分析.从矢谱基础理论出发,证实了转子同一截面上互相垂直的任意两个通道在各频率响应下的能量总和为一定值这一结论,并以此为前提给出矢功率谱分析的表示方法,然后利用参数模型功率谱估计中的AR模型实现了双通道数据集成的AR功率谱估计;因计算过程较为繁琐,提出简化算法,对两个信号的处理可以同步进行,最后用C++Builder 5.0编程实现了这一分析方法,并用实际数据验证了其实用性.

采用低功耗片上系统芯片C8051F320单片机，设计开发手持式智能测振仪。确定了仪器研制的总体方案，介绍了仪器放大、滤波环节的设计实现；对数据采集环节进行了详细介绍。仪器能够实现振动信号的采集、显示、保持和存储，并能通过USB总线与上位机通信。

齿轮是重要的机械传动部件,齿轮的故障预测是设备故障诊断的重要研究内容之一。从故障诊断的角度可以将齿轮故障分为分布式故障和局部故障,分布式故障能量分布与啮合频率及其倍频有关,局部故障能量分布与齿轮轴旋转频率及其倍频有关。针对二者特征频率的差别,可以通过构建时序分析中的ARMA预测模型对定轴齿轮振动信号的频谱进行预测,然后结合预测值和当前值对齿轮故障进行预测。构建的预测模型具有较好的预测精度,预测结果可用于齿轮运行状态分析和故障预测分析,具有重要的应用价值。

齿轮传动作为机械传动主要形式之一,应用极为广泛,设备在高速运转下,一旦发生齿轮断齿故障将会带来巨大的经济损失以及人员伤害,为让损失降到最低,需要做到故障强度早知道,因此设备故障强度预测显得尤为重要。单通道预测方法由于获取振动信息不完善,导致预测结果一致性差,从而不能很好地实现故障强度的预测。通过全矢谱获得的频谱结构具有唯一性的特点,能够很好地弥补单通道的不足,在此基础上,将时序预测方法 ARMA模型与全矢谱技术相结合,提出了全矢-ARMA模型预测方法,并把该方法应用到齿轮断齿故障强度预测研究中。实验表明,该方法预测齿轮断齿故障强度结果与实际较吻合。

对旋转机械进行频谱结构预测可以有效地掌握设备未来的运行状态,预判故障类型、性质,锁定故障位置。由于基于单源信息的频谱结构具有不确定性,无法进行预测研究。为保证预测结果的唯一性和准确性,将全矢谱技术引入预测模型,结合灰色GM(1,1)模型,构建全矢-GM(1,1)预测方法用于设备频谱结构预测研究。以汽轮机转子为对象,对其频谱结构进行多步预测,预测精度较高、误差可接受。实验结果表明,该方法能准确对设备频谱结构进行预测,为预知维修提供技术支持。

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解（MEMD）与多元多尺度熵（MMSE）的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.

针对滚动轴承退化过程指标选取问题,提出了一种基于噪声辅助的多维EMD（Noise-Assisted Multivariate EMD）和主成分分析（PCA）相结合来提取退化指标的方法。该方法首先利用NA-MEMD对同源双通道信号和噪声辅助通道信号进行分解得到一系列多元IMF分量,然后采用相关系数准则选取敏感分量重构信号,其次计算出轴承退化过程中重构信号的退化指标序列,再根据序列的单调性和鲁棒性,选择优良指标进行PCA融合,最后把第一主成分作为反映滚动轴承退化过程的最终指标。对PRONOSITS平台提供的全寿命周期的数据进行分析,结果表明,在滚动轴承的退化过程中,较单一指标,基于NA-MEMD和PCA融合的指标能够比较完整的表征滚动轴承的退化过程。