关键词:
旋转机械
深度学习
故障诊断
轴承故障
无刷直流电机
摘要:
旋转机械设备在工业中广泛应用,发挥了不可替代的作用。由于现代旋转机械结构复杂、运行环境恶劣,设备易发生故障。一旦出现故障,不仅会影响企业的经济效益,严重时还可能威胁现场工作人员的生命安全。因此,研究旋转机械的故障诊断方法,及时诊断设备状态,确保其正常运行具有重要意义。然而,目前的研究对旋转机械故障诊断还存在一定的局限性,通常只采用振动等单一类型的传感器信号作为诊断的依据,并且同时也只在轴承等单一的旋转机械上进行验证。本研究通过采集设备运行中的振动、电流等多传感器信号,提出了一种基于深度融合网络的旋转机械故障诊断与分类方法,提升诊断的准确性。
首先,本文以轴承和无刷直流电机作为旋转机械的典型代表,分析了其原理和故障表现。设计并搭建了电机故障试验台,用于采集和监测不同种类的故障信号,通过模拟不同程度的电机轴承故障、定子匝间短路故障和复合故障(同时包含轴承故障和定子匝间故障),建立了丰富的电机故障数据集,为后期故障诊断提供了数据支撑。
其次,将Mamba模块应用在旋转机械故障诊断领域,并结合了稀疏堆叠自编码器(SSAE)和Mambaformer的优势,提出了一种新的深度融合网络SSAEMambaformer。该网络可以并行处理多传感器故障信号,诊断和分类电机和轴承等多类型旋转机械的故障。
最后,在仅包含振动信号的CWRU轴承公开数据集和自建的包含多传感器信号的电机故障数据集上进行了验证。实验结果表明,所提出的方法在准确率上优于目前流行的其它故障诊断模型,可以用于轴承和电机多类型的旋转机械。与目前基于Transformer的模型相比,所提出的模型在训练时间、推理时间和模型复杂度方面具有明显的优势。
本研究所提出的模型在包括轴承和电机在内的多类型旋转机械故障诊断中具有良好的应用前景和实际价值。