基于深度学习的轴承故障诊断 .pdfVIP

学术论坛/AcademicForum

基于深度学习的轴承故障诊断

王海丽

（西南交通大学利兹学院，四川成都611756）

摘要：随着现代机械设备的日益自动化和智能化，滚动轴承作为机械设备必不可少的组成部分，其故障诊断已

成为当代机械研究的热点。在当今的大数据时代，由于传统的故障诊断方法已无法满足需求，机器学习和深度

学习广泛用于轴承故障的智能诊断。文章利用凯斯西储大学数据中心提供的数据，针对轴承的10种不同状态，

提出了一种基于深度学习的诊断分类模型。使用双流CNN对收集的数据进行特征融合，然后使用PSO-SVM

代替SoftMax进行故障分类。该方法的准确性可以达到99％。

关键词：深度学习；CNN；滚动轴承；故障诊断

1简介并且当故障非常严重时，该方法就不再适用。1960年，

滚动轴承作为机械设备必不可少的重要组成部分，频率分量的傅立叶变换提取成为一种新的分析方法，

被广泛应用于工业设备、医疗设备、铁路运输等领域。并从中衍生出一系列频域分析方法：包络分析，全息

在机械传动中，当其他零件在轴上相对移动时，轴承光谱分析和高阶光谱分析。McFadden使用包络分析

会通过减小摩擦系数来保持轴的中心固定。由于轴承成功地提取了特征并分类了滚动轴承的振动信号。然

的加工技术极其恶劣的工作环境，损坏率很高，寿命而，在噪声和多振动源激励的影响下，作为全局变换

是随机的。现代机械系统变得更快、更精确、更自动化。的傅立叶变换不能完成具有不稳定和非线性的滚动轴

任何一个组件的故障都会影响整个生产过程，从而造承振动信号的特征提取。单个时域分析或频域分析在

成巨大的经济损失。轴承是机械设备中最容易发生故提取振动信号的特征方面有一定的缺点。因此，时频

障的轴承之一，因为它不仅用于支撑负载，而且还用域分析是当前更常用的方法，主要涉及经验模式分解，

于在机器运行期间传输动力。短时傅立叶变换和小波变换。结合希尔伯特变换和经

然而可以反映轴承工作状态的振动信号具有非线验模式分解，NordenEHuang等提出了希尔伯特-

性和非平稳性等特征。这导致传统的轴承故障诊断方黄变换。在余德杰等人的研究中，使用希尔伯特-黄

法无法满足行业需求。随着计算机技术的发展和普及，变换成功完成了齿轮故障诊断。

以及深度学习的出现，出现了轴承故障诊断新趋势。人工智能理论的飞速发展促进了滚动轴承的智能

深度学习具有强大的非线性表达能力，可以有效而准故障诊断。机器学习和深度学习是使用最广泛的智能

确地识别轴承的运行状况。因此，本文采用1D-CNN诊断方法。机器学习对轴承诊断有很好的效果，但是

与2D-CNN同时对轴承的振动信号进行特征提取，并当数据增加时，数据类型变得更加复杂，机器学习的

将池化层的结果加以融合，最后利用PSO优化SVM性能将大大受损。深度学习正好相反,一个强大的深

代替SoftMax作为分类器具有重要的意义。度学习模型需要大量的数据进行训练，并且具有非常

出色的提取非线性特征的能力。邵等人在信息不足的

2相关工作情况下，结合粒子群优化和DBN来完成轴承故障诊断。

最早的故障诊断凭借简单的工具，通过观察、聆陆等人建立了基于浅层卷积神经网络的轴承故障诊断

听等方法确定轴承是否发生了故障。随后人们将概率模型，并