基于宽度学习的滚动轴承故障诊断方法研究.pdfVIP

摘要

在工业生产的关键环节中，轴承作为旋转机械的核心零件，其工作条件较为苛刻，

经常容易发生故障。据统计，每年因此造成的安全事故多达上千起，所以，有效的轴承

故障诊断对确保设备安全和提升生产效率发挥着至关重要的作用。在滚动轴承的振动信

号采集过程中，故障数据相较于健康数据的数量严重不足，这种数据的不平衡性极大地

影响了故障诊断的精确性和可靠性。此外，轴承在实际运行中所面临的环境、条件复杂

多变，导致数据特征分布呈现出多样性，这为轴承故障诊断带来了进一步的挑战。为解

决上述难题，本文在充分分析上述问题后，以宽度学习系统为理论基础，提出两种针对

性的滚动轴承故障诊断方法，具体研究内容如下：

（1）为解决轴承数据不平衡导致故障诊断精确度下降的问题，本文提出了一种基

于衰减加权宽度学习的轴承故障诊断方法。该方法首先通过小波变换对振动信号进行预

处理，以提取信号中的时频特征，为后续的故障特征提取提供基础。接着，通过宽度学

习的特征层和增强层快速提取故障特征，并引入衰减加权机制动态调整权重以适应类别

差异，从而优化分类器性能。在凯斯西储大学和西安交通大学轴承数据集上的实验结果

表明：相较于目前已有的轴承故障诊断方法，该方法显著提升了故障类别的分类精度和

F1-score，有效的解决了轴承故障中的存在的数据不平衡问题。

（2）为解决轴承在变工况下故障诊断精度偏低、模型泛化性差的问题，本文提出一

种基于领域自适应宽度学习的轴承故障诊断方法。该方法首先通过宽度学习提取特征构

建宽度样本集，并在随机特征空间中，通过最大均值差异（MMD）最小化源域与目标域

的边际分布和条件分布差异，从而解决源域和目标域分布差异的问题。接着，利用目标

数据的错误分类损失来缩小网络输出与预测标签之间的差距，以提升目标域故障的诊断

精度。最后，通过L2范数正则化来约束网络输出权重，并迭代更新权重以提升模型的

可转移性。通过在两类轴承数据集构成的21个转移任务中的实验结果表明，本文所提

出的算法能有效提高故障诊断精度，适用于变工况条件下的轴承故障诊断。

（3）为将本文提出的两种故障诊断模型更有效地应用于实际生产环境中，构建了

一个实用的滚动轴承智能故障诊断系统。该系统搭载了直观的可视化操作界面，实现了

对滚动轴承振动信号的实时故障诊断，同时辅助操作人员精确评估轴承的磨损状况。通

过集成本文提出的先进模型，系统能够及时准确地识别轴承故障，从而提高生产效率，

降低维护成本，为工业生产带来可观的经济效益。

关键词：宽度学习，衰减加权，领域自适应，故障诊断，数据不平衡，变工况

Abstract

Inthecriticalprocessesofindustrialproduction,bearingsserveasthecorepartsofrotating

machinery,oftenworkingunderharshconditionsandarepronetofaults.Statisticsshowthat

thereareasmanyasthousandsofsafetyaccidentscausedbythiseveryyear.Therefore,

effectivebearingfaultdiagnosisplaysanessentialroleinensuringequipmentsafetyand

improvingproductionefficiency.Intheprocessofcollectingvibrationsignalsofrolling

bearings,thenumberoffaultdataisseverelyinsufficientcomparedtohealthydata.This

imbalanceofdataposesagreatchallengetotheaccuracyandreliabilityoffaultdiagnosis.

Moreover,thecomplexityandvariabilityofenviron