Early Stage Fault Diagnosis Method of Bearings Based on Nonlinear Sparse Blind Deconvolution

针对大数据环境下旋转机械的早期故障诊断,提出一种基于非线性稀疏盲解卷积的快速高效的轴承故障诊断方法。首先对无监督学习目标函数的故障表达能力进行了理论研究,结果表明,适当的非线性伸缩能够改善目标函数的相对梯度,提高异常干扰下故障表达的稳定性;然后利用归一化后的广义非线性卷积激活解决了非线性函数的尺度不一致导致的分布异变问题,并构造非线性稀疏盲解卷积目标函数,搭建无监督神经网络;为提高滤波器的冲击特征,通过自适应拟合的高斯窗函数对学习到的滤波器进行修正,并通过频域峭度对滤波器组进行降维;最后进行滤波和包络分析,得到轴承的早期故障特征。通过仿真外圈故障、远端内圈故障和轴承加速寿命数据进行验证和对比。结果表明,非线性稀疏盲解卷积能够自主学习并增强微弱的早期故障,具备更强的噪声适应性、计算时间和鲁棒性,为实现机械装备的实时在线监测提供良好的理论支撑,展现出良好的应用前景。