基于DT-CWPT和改进Res-DBN的轴承故障诊断方法.pdf

摘要

滚动轴承的状态直接影响着机械设备的平稳性和安全性，对轴承状态进行实时监

测并及时发现故障源头是保证机械设备正常运行的重要条件。因此，为保证基本生产

安全和产品质量，需要对机械设备中滚动轴承进行精准的故障诊断。本文将滚动轴承

作为研究对象，以轴承故障数据作为实验依据，为了有效识别故障特征，应用信号处

理和深度学习等相关技术输出轴承状态，提出了双树复小波包变换和改进残差深度信

念网络相结合的滚动轴承故障诊断方法，具体研究内容如下：

（1）应用双树复小波包变换（Dual-treeComplexWaveletPacketTransform，

DT-CWPT）和能量熵实现轴承原始信号特征提取。对DT-CWPT进行抗混叠特性和

平移不变性验证，验证其信号分解和重构性能；对轴承信号进行分解和重构，得到不

同的分量，并计算能量熵代表各频带特征，针对不同故障类型的数据集构建不同能量

熵特征样本，作为故障分类的输入数据。

（2）改进残差深度信念网络（ResidualDeepBeliefNetwork，Res-DBN）模型，

应用智能算法调节超参数。在残差深度信念网络中增加两个超参数，用于调节可见层

和隐藏层之间的信息量，避免在故障分类过程中有用信息的丢失；引入4个群体智能

算法优化新加入的超参数，通过实验验证遗传编程（GeneticProgramming，GP）算

法的收敛性较好，可用于Res-DBN故障分类中；设计7种不同层数和神经元数的DBN

网络模型，设计实验验证改进深度信念网络分类准确性，并筛选出分类效果最佳的

DBN结构。

（3）实现改进Res-DBN跨工况轴承故障迁移诊断。建立改进残差深度信念网络

迁移学习模型，将源域预训练模型权值参数迁移至目标域模型中实现故障迁移诊断，

划分4个工况的数据集，分别进行跨工况迁移诊断，得到迁移诊断结果，并对实验结

果进行分析。

关键词：故障诊断，双树复小波包变换，残差深度信念网络，迁移学习

BearingfaultdiagnosismethodbasedonDT-CWPTand

improvedRes-DBN

Abstract

Theconditionofrollingbearingssignificantlyimpactsthestabilityandsafetyof

mechanicalequipment.Hence,itiscrucialtoimplementreal-timemonitoringofbearing

conditionsandpromptlyidentifyanyfaultsourcestoensurethesmoothoperationof

machinery.Toguaranteefundamentalproductionsafetyandproductquality,itisessential

toconductprecisefaultdiagnosisofrollingbearingswithinmechanicalequipment.This

paperselectsrollingbearingsastheresearchsubjectandemploysbearingfaultdataasthe

experimentalfoundation.Toeffectivelyidentifyfaultcharacteristicsandutilize

technologiessuchassignalprocessinganddeeplearningtodeterminebearingstatus,a

rollingbearingfaultdiagnosismethodt