关键词:
齿轮箱
多信息融合
测点优化
模型压缩
故障识别
摘要:
齿轮传动系统作为机械设备中最为常用的传动系统,广泛应用于风力发电、航空航天、石化冶金、轨道交通、武器装备等领域。由于其结构复杂、运行环境恶劣,齿轮箱容易出现各种类型的故障,若不能及时有效地对齿轮箱进行状态监测与故障识别,随着故障的加剧,关键装备中齿轮传动系统的失效可能会导致重大的安全事故和经济损失,同时随着现代工业的发展,对设备的状态监测与故障识别提出了更精确、更快、更智能的要求。因此对齿轮箱状态监测和故障识别方法的研究始终是一个热点,也是实际工业应用中关注的焦点之一。在实际工业场景中,针对齿轮传动系统的状态监测和故障识别依然存在许多难题,例如,齿轮箱多振动信息难以有效融合、传感器布放存在冗余,这都使得齿轮箱的故障识别达不到预期效果。近年来,人工智能和深度学习理论被越来越多地应用于机械设备故障识别领域中,并取得了不错的效果。因此本文以卷积神经网络为基础,同时结合信息融合相关理论,面对实际工业场景中故障识别的多振动信息融合、测点优化、模型压缩问题进行研究,具有重要的学术意义和工程价值。论文的主要研究工作包括:1针对齿轮箱多振动信息难以有效融合同时模型故障识别能力不足的问题,基于集成学习原理,构建了多信息融合故障识别网络模型,提出了多个单信息源网络单元提取特征和一个多特征网络单元融合特征的学习模式,实现了多信息源故障特征的提取和状态识别,实验分析结果表明该方法增强了故障状态特征的表征能力,提高了故障识别精度。2针对齿轮箱内部结构复杂、空间紧凑,传统设备监测方法测点布放多而散、测点选取手段缺乏的问题,考虑测量位置、传感器数量对设备状态表征能力以及故障感知精度限制较大,基于特征选择优化理论,综合过滤法计算成本低和包裹法性能优越的优势,提出了基于多信息融合故障识别网络的后向搜索测点优化方法,实验分析结果表明该方法能有效地选取冗余性低、识别精度高的测点,提供了一种时间复杂度低、测点少而精的测点优化手段。3针对实际工业环境中边缘设备存储空间有限、计算能力弱、实时性要求高,导致大模型部署应用存在限制的问题,采用知识蒸馏和模型量化技术,提出网络模型多维压缩方法,从网络结构和权重参数类型两个维度对本文提出的多信息融合故障识别网络分级压缩,实验分析结果表明与未压缩前相比,模型占用空间下降、计算速度加快,同时其故障识别精度损失较小,提高了本文所提多信息融合网络的工程实用性。4为了验证本文提出的多信息融合故障识别网络的有效性,设计并搭建了传动齿轮箱实验台,模拟了四种摩擦片齿轮故障,完成了多故障类型、多测点的振动信号采集,构建了摩擦片齿轮多信息源故障样本集;进一步对本文提出的方法从模型识别精度、测点优化结果和模型压缩效果三个方面进行了验证与分析。