利用深度学习与解卷积的振动源盲分离

旋转机械的振动主要源于两个振源，二者在传输至传感器的过程中均被机器的传递函数所畸变：一是占主导地位的齿轮相关振动，二是与轴承故障相关的低能量信号。所提方法实现了振动源的盲分离，无需任何关于被监测设备的信息或外部测量。该方法分两阶段估计两个源：首先利用空洞 CNN 分离齿轮信号，随后利用残差的对数包络平方估计轴承故障信号。采用一种新颖的基于白化的解卷积方法（WBD）消除两个源中传递函数的影响。仿真与实验结果均表明，在无额外信息可用时，该方法能够早期检测轴承故障。本研究同时考虑了局部与分布式轴承故障，并假设振动是在稳定运行条件下记录的。