Noise and Vibration Control ›› 2024, Vol. 44 ›› Issue (1): 174-180.

Previous Articles     Next Articles

Bearing Fault Diagnosis of Annealing Kiln Roller Table Systems Based on Inception-LSTM

  

  • Received:2022-08-23 Revised:2022-12-22 Online:2024-02-18 Published:2024-02-10

基于Inception-LSTM的退火窑辊道系统轴承故障诊断

周康渠1,刘田创1,辛玉1,谢文南2
  

  1. ( 1. 重庆理工大学机械工程学院,重庆400054; 2. 重庆万盛浮法玻璃有限公司,重庆400800 )

摘要: 玻璃生产线退火窑辊道系统轴承运行状态显著影响玻璃品质和生产效率,实时监测各轴承运行状态对确保退火窑系统的平稳运行具有重要意义,提出结合Inception 模块和长短期神经网络(Long Short-term Memory,LSTM)的迁移诊断方法,对退火窑辊道系统中的辊道轴承和通轴轴承运行状态进行监测、诊断。首先,使用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对轴承信号进行分解和重构降噪,并利用直方均衡化增强重构信号小波时频图的聚集性。然后,针对样本充足的辊道轴承,建立Inception-LSTM网络,提取多尺度特征并学习其中的时间依赖关系,实现状态诊断。再次,针对转速不同且样本量少的通轴轴承,以辊道轴承信号为源域,以通轴轴承信号为目标域,以Inception-LSTM 网络为基础,使用多核最大均值差异(Multi-kernel Maximum Mean Discrepancies,MKMMD)减小分布差异,实现故障样本不平衡条件下的跨转速域不变特征提取和迁移诊断。最后,利用实验数据和实测数据验证本算法的有效性,结果表明,该方法能有效诊断出退火窑辊道系统轴承故障,且具有较高的准确率。

关键词: 故障诊断, 辊道轴承;通轴轴承;样本不平衡;跨转速;MK-MMD