基于LSTM模型的轴承故障诊断方法研究(毕业论文)（最全）.doc

毕业设计(论文)

基于LSTM模型的轴承故障诊断方法研究

目录

1绪论..................................................................................................1

1.1课题背景及意义 1

1.2国内外研究技术现状分析及发展研究情况 2

1.2.1基于信号处理的故障诊断方法 3

1.2.2基于数据驱动的故障诊断方法 4

1.3论文研究内容 6

1.3.1滚动轴承失效模式分析 7

1.3.2振动信号特征提取方法研究 8

1.3.3基于LSTM框架的机器学习模型建立与验证 8

2滚动轴承故障模式与故障诊断理论研究 10

2.1滚动轴承故障模式及影响分析 10

2.2滚动轴承各部分故障特征频率 12

2.3基于信号处理的轴承故障诊断方法研究 14

3故障信号特征提取方法研究 19

2.2.1经验模态分解（EMD）方法研究 20

2.2.2小波变换方法研究 22

2.2.3基于公开数据集的方法测试与验证错误!未定义书签。

4基于LSTM模型的滚动轴承磨损故障诊断模型建立 28

2.3.1LSTM模型研究 30

2#结论 32

全文总结 错误!未定义书签。

展望 错误!未定义书签。

3致谢 错误!未定义书签。

4参考文献 40

第1页

1绪论

1.1课题背景及意义

轴承是各类旋转机械零件中最通用的零件之一,也是最易损坏的零件之一。2016年我国滚动轴承的其他零件进出口贸易总量194802846千克，滚动轴承的其他零件进出口贸易总额1077392725美元[1]。从数据可见轴承零件使用的普遍性。在各种机械设备的使用中,机械设备的使用故障很大一部分来源于轴承故障。滚动轴承是各种旋转机械中应用最广的一种机械部件,在旋转机械中起着不可替代的作用。根据不完全统计,旋转机械的故障产生的原因,约三分之一是由于滚动轴承的故障引发的[2]。滚动轴承在机械行业广泛使用，对于滚动轴承进行故障诊断技术的研究是很有必要的。

滚动轴承在可靠性要求较低的机械设备的中，发生故障后，可以通过及时停机并更换维修的方式解决问题。而对于可靠性要求较高、故障后果严重的机械设备，故障发生之后危害较大，需要对故障进行及时的检测。由于振动信号能够更加准确描述轴承使用时的缺陷，因此可以通过模型建立识别故障状态以及发展趋势，发现故障，对预测性维护起一定作用，减少不必要的更换维修，减少人工检修等问题，预防故障的发生。

第2页

针对轴承部分的故障诊断需求，对轴承故障诊断方法进行研究，对轴承的故障状态进行分类，并对故障的状态进行定量描述，建立故障诊断模型，以完成轴承故障诊断任务。采用轴承在使用中的各种传感器采集的信号（主要为振动信号信号）建立数学模型，检测部分故障和缺陷，建立包括故障检测和故障隔离的故障诊断模型，提高滚动轴承的测试性和任务可靠性。通过使用不同的信号处理方法，并通过一些参数评价故障诊断模型的好坏，设计一种较为适用的轴承故障检测方案。

1.2国内外研究技术现状分析及发展研究情况

对于轴承故障诊断，通常采用温度、电流、加速度、应力、声发射等信号进行诊断。温度信号很多时候只能起到故障检测的作用，不能做到故障定位隔离。而且只有当故障发展到一定程度，才能够发现故障，故障诊断不够及时。加速度信号是最常用的一种方法，安装方便，价格便宜，应用广泛，发展得也比较完善，但加速度振动信号有一定的局限性，在部分场合中不能完成故障诊断的任务。声发射信号比加速度信号频率更高，因此受环境噪声影响更小，更适用于早期故障和低速运动轴承故障的检测。由于高频信号在机械设备中衰减较快，声发射信号对于故障诊断对于传感器安装位置等有一定要求，因此还有一定的研究空间。

振动信号是轴承故障诊断最常用、最直接的方法。基于振动信号的故障诊断方法已经发展得非常成熟，分析方法种类繁多。针对轴承，故障诊断方法主要有时域分析、频域分析、时频分析、基于机器学习和基于多传感器信号融合的方法等。

第3页

1.2.1基于信号处理的故障诊断方法

基于加速度振动信号的时域诊断方法

时域振动信号特征是加速度振动信号中最直观的信号特征。马家驹[3]分析了时域信号统计参数，发现故障轴承能量值增大，峭度系数和波峰系数远离正态分布，基于多种特征参数成功地判断出了轴承状态；通过时域中的单脉冲信号判断轴承故障状态。单一的时域信号分析不能满足故障