滾動軸承是旋轉(zhuǎn)機械中最重要的部件之一。滾動軸承發(fā)生故障會影響機械設(shè)備的正常運轉(zhuǎn),嚴重時會引起設(shè)備的失效,造成巨大的時間損失、財產(chǎn)損失甚至人員傷亡。為了提高機械設(shè)備的安全性和可靠性,研究滾動軸承的故障診斷技術(shù)十分必要。近年來,隨著人工智能技術(shù)的蓬勃發(fā)展,滾動軸承的智能診斷技術(shù)受到廣泛關(guān)注。許多智能診斷方法在實驗室驗證時,在利用特定設(shè)備的大量歷史數(shù)據(jù)的前提下獲得了很好的診斷效果。然而,在實際工程中,很難事先獲取待診斷設(shè)備的充足的故障歷史數(shù)據(jù),在少量可獲取的數(shù)據(jù)上構(gòu)建診斷模型會造成診斷模型泛化能力的下降。本文針對滾動軸承故障診斷中的小樣本問題,結(jié)合卷積神經(jīng)網(wǎng)絡(luò),提出基于動力學仿真和遷移學習的智能診斷方法,該方法以從滾動軸承動力學模型獲取的仿真數(shù)據(jù)中遷移診斷知識的方式,幫助實際診斷場景中的軸承診斷任務,為解決小樣本條件下的故障診斷問題提供了新的思路。首先,基于動力學建立滾動軸承故障仿真模型,獲取不同健康狀態(tài)下滾動軸承的振動仿真數(shù)據(jù)。滾動軸承的動力學模型能夠從理論上揭示滾動軸承的振動特性,由動力學模型獲取的仿真數(shù)據(jù)與實際數(shù)據(jù)應具有相似但不同的特征分布,通過滾動軸承動力學模型生成仿真信號是一種獲取...

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

圖2-5凱斯西儲大學軸承實驗臺為了模擬軸承故障，實驗中利用電火花的方式向軸承的內(nèi)滾道及外滾道注入

承動力學仿真模型的驗證與分析述滾動軸承仿真模型的合理性，本節(jié)將由仿真模中采集的實際振動加速度信號從時域和頻域兩個驗證故障仿真信號是否與實際信號有相似的沖擊是否在頻譜或包絡(luò)譜中具有特征頻率。學軸承實驗實際信號采集自凱斯西儲大學（CaseWesternRe實驗。實驗臺如圖2-5....

圖3一1仿真時域信號不同健康狀態(tài)下的概率密度分布

由圖3-1和圖3-2可知，仿真信號和實際信號的概率分布有以下兩點共性：（1）仿真信號與實際信號的正常狀態(tài)下的概率分布相比于故障狀態(tài)下的概率分布均更平緩，這是由于故障發(fā)生后，故障沖擊會使得信號概率密度函數(shù)峰頂高度增高，而故障沖擊是

圖3一2實際時域信號不同健康狀態(tài)下的概率密度分布

由圖3-1和圖3-2可知，仿真信號和實際信號的概率分布有以下兩點共性：（1）仿真信號與實際信號的正常狀態(tài)下的概率分布相比于故障狀態(tài)下的概率分布均更平緩，這是由于故障發(fā)生后，故障沖擊會使得信號概率密度函數(shù)峰頂高度增高，而故障沖擊是

圖3-3相同健康狀態(tài)下仿真數(shù)據(jù)和實際數(shù)據(jù)概率分布對比

圖3-3相同健康狀態(tài)下仿真數(shù)據(jù)和實際數(shù)據(jù)概率分布對比3.2.3頻率分布的共性及差異性當軸承發(fā)生局部故障時，故障產(chǎn)生的沖擊激勵會激起系統(tǒng)中的高頻成分，由于仿真模型對實際系統(tǒng)進行了較大程度的簡化，仿真信號中的高頻成分與實際系統(tǒng)中的高頻成分應有一定差異。本文擬采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建....

本文編號：3998067