摘要: 随着“工业4.0”、“中国制造2025”等战略的提出和推进，高端制造系统及智能机械设备的研究正在受到越来越多的重视。机械设备在实际生产中一旦出现故障而未被及时察觉，会造成严重的经济损失甚至安全事故，因此机械设备故障识别与状态评估的研究具有重要... 展开 随着“工业4.0”、“中国制造2025”等战略的提出和推进，高端制造系统及智能机械设备的研究正在受到越来越多的重视。机械设备在实际生产中一旦出现故障而未被及时察觉，会造成严重的经济损失甚至安全事故，因此机械设备故障识别与状态评估的研究具有重要意义。 本文以机械装备的关键零部件轴承为研究对象，基于现代信号分析方法、大数据处理、流形学习、深度学习等前沿技术和理论，沿着故障识别和状态评估这两条主线展开研究，主要完成了以下三个方面的研究内容： ① 分析了工程实际中机械设备振动信号的特点，提出从信号中提取 11 个时域特征、13个频域特征及14个小波包能量特征构成混合域高维特征集。针对高维特征集信息冗余、易造成“过拟合”、计算效率低等问题，提出运用流形学习算法将高维特征转换到低维空间。实例分析结果表明，流形学习方法能够不失真地将高维特征数据映射到低维空间，且更利于后续的计算分析。 ② 分析了深度学习理论在各类模式识别问题中的优良性能及其存在的不足，引入深度置信网络（Deep Belief Network, DBN）到故障识别领域。针对DBN模型的不稳定、不确定性以及难以与实际问题建立对应的有效模型等问题，提出了运用模拟退火算法（Simulated Annealing Algorithm, SAA）来优化DBN的模型参数，并介绍了该优化方法的理论依据和实现过程。利用六类不同的轴承故障数据进行实验，比较了基于不同特征集以及基于不同机器学习方法的故障识别效果。结果表明，线性特征转换方法主成分分析（Principal Component Analysis, PCA）更适用于该信号数据高维特征的转换，而运用SAA优化后的DBN模型比未进行优化的DBN模型以及支持向量机（Support Vector Machine, SVM）、概率神经网络（Probabilistic Neural Network, PNN）等算法具有更高准确率的故障识别能力。 ③ 现有的设备状态评估技术大多都需要对原始信号数据做大量的特征提取、特征转换、特征筛选等处理，针对其存在的增加计算复杂度、降低可靠性、引入人为因素等问题，提出基于DBN自学习原始信号的机械设备运行状态评估方法。分析了基于原始信号研究的优势，并制定了基于 DBN 评估算法的流程和实现过程。运用轴承全寿命退化数据进行验证和对比，通过与基于 PCA 与等距映射（Isomap）转换特征的评估结果和基于隐马尔科夫模型（Hidden Markov model, HMM）和反向传播神经网络（Back Propagation Neural Network, BPNN）的评估结果的对比以及量化分析，所提方法被证明更能稳定准确的识别出机械在不同时间段的运行状态。在研究中还发现，提取特征的方法更适用于机械故障识别（分类），而不提特征利用原始信号进行分析的方法更适用于设备状态评估。 收起