摘 要
旋转机械作为现代工业中的核心设备，其运行状态直接影响生产效率与安全性。不平衡振动是旋转机械最常见的故障形式之一，其诊断研究具有重要的理论意义和工程价值。本研究旨在针对旋转机械不平衡振动故障的高效诊断方法展开深入探讨，以提升故障识别的准确性和实时性。研究基于信号处理与模式识别技术，提出了一种融合时频分析与深度学习的新型诊断框架。具体而言，通过引入短时傅里叶变换提取不平衡振动信号的时频特征，并结合卷积神经网络实现特征的自动提取与分类。此外，为解决小样本数据集导致的模型泛化能力不足问题，研究创新性地引入了迁移学习策略，显著提高了模型在不同工况下的适应性。实验结果表明，所提方法能够在复杂噪声环境下有效识别不平衡振动故障，且相较于传统方法，其诊断精度提升了约15%。同时，该方法对不平衡程度的量化评估也表现出较高的可靠性。研究表明，将时频分析与深度学习相结合能够充分利用信号的多维特征，而迁移学习的应用则进一步增强了模型的鲁棒性。这一研究成果不仅为旋转机械不平衡振动故障诊断提供了新思路，也为其他类型故障的智能诊断奠定了基础。关键词：旋转机械；不平衡振动；时频分析；深度学习；迁移学习
Abstract
Rotating machinery, as a core component in modern industry, directly affects production efficiency and safety. Unbalance vibration is one of the most common fault modes in rotating machinery, and its diagnosis holds significant theoretical importance and engineering value. This study focuses on an in-depth exploration of efficient diagnostic methods for unbalance vibration faults in rotating machinery to enhance the accuracy and real-time capability of fault identification. Based on signal processing and pattern recognition technologies, a novel diagnostic fr amework integrating time-frequency analysis with deep learning is proposed. Specifically, short-time Fourier transform is employed to extract time-frequency features from unbalance vibration signals, which are then combined with convolutional neural networks for automatic feature extraction and classification. To address the issue of insufficient model generalization caused by small sample datasets, this research innovatively incorporates transfer learning strategies, significantly improving the model's adaptability under varying operating conditions. Experimental results demonstrate that the proposed method can effectively identify unbalance vibration faults in complex noisy environments, achieving a diagnostic accuracy improvement of approximately 15% compared to traditional methods. Additionally, the method exhibits high reliability in quantitatively assessing the degree of unbalance. The study reveals that the integration of time-frequency analysis with deep learning enables the full utilization of multi-dimensional signal features, while the application of transfer learning further enhances the robustness of the model. This research not only provides new insights into the diagnosis of unbalance vibration faults in rotating machinery but also lays a foundation for intelligent diagnostics of other fault types..
Key Words：Rotating Machinery；Unbalance Vibration；Time-Frequency Analysis；Deep Learning；Transfer Learning
目 录
摘 要 I
Abstract II
第1章 绪论 2
1.1 旋转机械不平衡振动故障的研究背景与意义 2
1.2 国内外旋转机械不平衡振动故障诊断研究现状 3
1.3 本文研究方法及技术路线 3
第2章 旋转机械不平衡振动的理论基础 5
2.1 不平衡振动的基本原理 5
2.2 旋转机械动力学特性分析 5
2.3 不平衡振动信号特征提取方法 6
2.4 不平衡振动故障的数学建模 7
第3章 不平衡振动信号的采集与处理 9
3.1 数据采集系统设计 9
3.1.1 传感器选型与布置 9
3.1.2 数据采集参数优化 9
3.1.3 采集系统的抗干扰措施 10
3.1.4 实验平台搭建与验证 10
3.2 信号预处理方法 10
3.2.1 滤波算法选择与实现 11
3.2.2 噪声抑制技术应用 11
3.2.3 数据降噪效果评估 12
3.2.4 时间域与频率域转换 12
3.3 特征提取与模式识别 12
3.3.1 时域特征参数计算 13
3.3.2 频域特征提取方法 13
3.3.3 小波变换在特征提取中的应用 13
3.3.4 特征向量构建与优化 14
第4章 不平衡振动故障诊断方法研究 15
4.1 基于传统方法的故障诊断 15
4.1.1 谱分析法的应用 15
4.1.2 包络解调技术实现 15
4.1.3 相位分析法的改进 16
4.1.4 故障阈值设定策略 16
4.2 基于智能算法的故障诊断 16
4.2.1 支持向量机在故障诊断中的应用 17
4.2.2 神经网络模型的设计与训练 17
4.2.3 遗传算法优化参数选择 17
4.2.4 深度学习方法的探索 18
4.3 综合诊断方法研究 18
4.3.1 多源信息融合技术 18
4.3.2 不确定性分析与处理 19
4.3.3 故障诊断系统的开发与验证 19
4.3.4 实际案例分析与结果评价 20
结 论 20
参考文献 22
致 谢 23
