基于共振解调与神经网络的滚动轴承故障智能诊断
《2024年度滚动轴承复合故障的智能诊断系统研究》范文
《滚动轴承复合故障的智能诊断系统研究》篇一一、引言随着工业的快速发展，滚动轴承作为旋转机械中不可或缺的关键部件，其故障诊断的重要性愈发凸显。
滚动轴承在运行过程中，由于多种原因，常常出现多种复合故障，这给故障诊断带来了巨大的挑战。
为了更高效、准确地诊断这些复合故障，本研究提出了滚动轴承复合故障的智能诊断系统。
二、滚动轴承复合故障概述滚动轴承的复合故障指的是在运行过程中，由于多种原因导致轴承出现多个类型的故障，如裂纹、磨损、异物等。
这些故障往往相互影响，使得诊断更为复杂。
传统的诊断方法往往依赖于人工经验，效率低下且易漏诊。
因此，需要一种智能的诊断系统来解决这一问题。
三、智能诊断系统的构建为了解决上述问题，本研究提出了基于人工智能技术的滚动轴承复合故障智能诊断系统。
该系统主要包括数据采集、信号处理、特征提取、模式识别和诊断决策等模块。
1. 数据采集模块：通过传感器实时采集滚动轴承的振动信号、温度信号等数据。
2. 信号处理模块：对采集的数据进行滤波、去噪等预处理，以提高信号的信噪比。
3. 特征提取模块：通过信号处理后的数据提取出能反映轴承状态的特征信息，如振幅、频率等。
4. 模式识别模块：利用机器学习、深度学习等算法对提取的特征进行分类和识别，判断轴承是否存在故障以及故障类型。
5. 诊断决策模块：根据模式识别的结果，结合专家系统等知识库，给出诊断决策和建议。
四、技术实现及优势本智能诊断系统采用了先进的人工智能技术，包括深度学习、机器学习等算法。
通过对大量历史数据的训练和学习，系统能够自动识别出轴承的故障类型和位置。
同时，系统还具有自学习和优化功能，能够随着使用不断优化和提高诊断准确性。
相比传统的诊断方法，本系统具有以下优势：1. 诊断准确率高：通过机器学习和深度学习等技术，系统能够自动识别出轴承的复合故障类型和位置，避免了人工经验的局限性。
2. 诊断速度快：系统能够在短时间内对大量数据进行处理和分析，提高了诊断效率。
滚动轴承故障诊断系统优化的开题报告
滚动轴承故障诊断系统优化的开题报告一、选题背景滚动轴承广泛应用于各个领域，如工业设备、机床、汽车等。
但在运行过程中，由于多种因素的影响，滚动轴承易受损坏，可能导致系统失效。
同时，由于其他因素的干扰，滚动轴承的损坏也不容易直接发现。
因此，开发一种滚动轴承故障诊断系统非常必要。
二、研究内容本研究将以滚动轴承的损坏状态为切入点，开发一种基于机器学习的滚动轴承故障诊断系统，通过数据采集和分析，准确快速的识别出轴承的损坏状态。
在数据采集方面，将采用传感器获取滚动轴承在运行时的振动、声响等数据。
在数据分析方面，将利用神经网络、遗传算法等机器学习技术，对采集到的数据进行分析处理，不断对系统进行优化调整。
三、研究目标本研究的主要目标是开发出一种准确快速的滚动轴承故障诊断系统。
具体目标如下：1.建立准确的滚动轴承损坏的模型和数据处理模型，能够根据模型和处理模型来区分滚动轴承的不同状态。
2.归纳滚动轴承在不同损坏状态下的关键振动和声响信息，在数据采集方面加以考虑，并对信息进行有效的提取和分析。
3.对所选用的神经网络或其他机器学习方法进行优化和改进，到达更好的预测精度和诊断结果。
4.在实验室内进行较为完整、准确的试验，以验证所研发系统的可靠性和实际效果。
四、研究方法本研究将采用如下研究方法：1.研究相关技术文献，掌握滚动轴承故障诊断领域的发展现状、研究思路和关键问题。
2.进行实验数据的采集和处理，利用传感器等设备获得滚动轴承在不同状态下的振动、声响、温度等数据，采集到的数据包括不同负荷、不同转速、不同环境温度下的数据。
3.通过对采集到的数据进行处理，提取振动、声响等特征，建立滚动轴承故障的模型，对模型进行理论分析和实验优化，并对不同故障模型进行合并考虑，充分识别滚动轴承的损坏状态。
4.采用不同的机器学习算法，如神经网络、遗传算法、逻辑回归等，进行滚动轴承故障诊断系统的开发与优化。
五、预期结果通过以上的研究方法和过程，本研究预计能够取得如下结果：1.建立出一种基于机器学习的滚动轴承故障诊断系统，能够在精准和快速的识别出轴承的损坏状态。
基于神经网络的滚动轴承故障诊断方法的研究
ｌ ｌ
式中： Ｕ Ｏ １．，；＝ … ，） ＝ ，，． ０ １… ｎ—重构信号离散点的幅值。 ．７
导师 的学习算法 ， 具有广泛的适用性Ｉ ６ １ 。在这里我们采用 Ｂ Ｐ算法
（ ） 了更好的反应不 同故障带来 的固有振动频率 的本质 ， 对故 障诊断网络进行训 练， ３为 具体 的算法流程如下 ： １对网络的权 （）
ｂｌｙａｄｓｌ ｌａｎｎ， ｅ －ｒａｉｎ， ａ ｔｅ ｅ ， ｄｗ ｉ ｄａｆｒｒｌｎ ｅ ｉｇ ａｌｄａｎｓ ． ｉｔ ｎ ｅ －ｅ ｉｇｓｌ ｏｇ ｚ ｇ ａｐ ｉ ， ｔａ ｈｃ ｉ ｉｅｌｏ ｌｇｂａ ｎ ｆｕｔ ｉ ｏｉ ｉ ｆ ｒ ｆ ｎ ｉ ｄ ｖ ｃ ｎ ｈｓ ｏｉ ｒ ｇ ｓ Ｗｅｐｏｏｅ ｔｏ ｏ ａｌ ｔｓｎ ｎｒｌｎ ｅ ｉｇｂ ｅ ｎｎｕａ ｎｔｏｋｉ ｏｎｃｉｎｗｔ ｒ ｓｄａｍ ｈ ｄ ｒ ｕ ｔ ｅｔ ｇｏ ｏｉｇｂａ ｎ ａ ｄ ｏ ｅ ｒ ｅ ｒ ｎｃｎ ｅｔ ｉ ｐ ｅ ｆ ｆ ｉ ｌ ｒ ｓ ｌ ｗ ｏ ｈ ｒｌｎ ｅ ｉ ｍ ｏｔ ｔｏｍ ｃ ｉ ｒ ｄｅｕ ｍ ｎ ｆａｉ ａｔ ａｄａｐｏｉａｅ ０ ｏ ｈｃ ｏｌ ｇｂａ ｎ ｉｉｐ ｒ ａｈｎ ｙａ ｑ ｉｅ ｔ ｒｇｌｐ ｓｎ ｒｘｍ ｔｌ ３ ％ ｆ ｗ ｉｈ ｉ ｒ ｇｓ ｎ ａ ｔ ｅ ｎ ｐ ｆ ｏ ｅ ｒ ｐ ｙ
图 ２诊断测试系统图
表 １滚动轴承特征向量表
输 入层
隐藏层
输 出层
图 １滚动轴承故 障诊断网络结构
网络 的第一层 为输入层 ， 输入 采用 小波分解得到 的特 征向
量 。第 二层为隐藏层 ， 为偏置。由于输入 向量 １范数本身处于 ｂ 一
［，］ ０ １ 区间 ， 故隐藏层选用 Ｓｇ ｏ ｉｍ ｉ ｄ激活 函数，（ ＝ ）
滚动轴承故障的智能诊断方法研究
• 26•针对滚动轴承故障声发射信号的智能识别与诊断问题，提出了一种基于卷积神经网络（Convolutional Neural Networ ks ，CNN ）智能化故障诊断方法。
该方法充分利用声发射信号参数中包含的时域和频域特征信息，构建CNN 模型充分挖掘出滚动轴承处于不同运行状态下的声发射信号特征，并给出故障诊断结果。
实验结果表明，CNN 模型方法对滚动轴承正常、外圈及内圈故障识别准确率可达97.2%以上，证明了该方法的准确性和实际工程价值。
1.引言旋转机械被广泛的应用在生产制造中，滚动轴承是旋转机械的重要组成部件，同时也是最容易损坏与失效的机械零件之一（喻洋洋，周凤星，严保康，基于LabVIEW 的滚动轴承故障诊断系统：仪表技术与传感器，2016）。
声发射检测技术是一种动态无损检测方能诊断学与工程学法，可实现缺陷萌生及扩展过程的在线检测。
将声发射检测技术应用于滚动轴承故障的诊断任务中，不仅可以检测出早期微弱故障及故障类型（郝如江，卢文秀，褚福嘉，等.声发射检测技术用于滚动轴承故障诊断的研究综述：振动与冲击，2008），还可以判断出故障损伤程度。
目前基于声发射检测技术的旋转机械设备故障诊断分析技术，如参数分析、波形分析等方法已经无法满足当前旋转机械连续生产工作中的故障监测任务（沈功田，耿荣生，刘时风，声发射信号的参数分析方法：无损检测，2002）。
赵元喜等人（赵元喜，胥永刚，高立新，等.基于谐波小波包和BP 神经网络的滚动轴承声发射故障模式识别技术：振动与冲击，2010）采用谐波小波包将故障滚动轴承的声发射信号分解到多个频率段并求取各频段的能量，作为特征向量输入BP 神经网络，通过BP 网络模型判别滚动轴承的故障类型。
杨杰等（杨杰，张鹏林，刘志涛，等.基于CEEMD 能量熵与SVM 的低速轴承故障声发射诊断：无损检测，2017）提出了一种采用CEEMD 能量熵提取特征后再利用支持向量机神经网络进行诊断的方法。
一种基于聚类的滚动轴承故障诊断方法
解调谱线很难分辨故障类型。针对此 ， 出了一种新 的模糊聚类 提
算法 ， 探讨 了该算法在滚动轴承故障诊断中的应用 。
２基于模糊 Ｆｓｅ 准则的聚类算法 ｉ ｒ ｈ
２１模糊 Ｆｓ ｅ 准则 ． ｉ ｒ ｈ
设一集合包含 Ⅳ个 ｄ维样本 Ｌ 模式类 别有 ｃ个 ， ， 习的故障诊断和基于无监督学习的故障诊断。 基于监督学习的故 在该样本空 间， 定义各类样本均值 向量记为 ｍ ， 模糊类内散布矩 障诊 断利用系统在正常和故障情况下的标记数据样本来训 练系
鎏＝
∞
（ ６ ）
对于线性可分数据集 ， 将 作为聚类 目标 函数 ， ‰ 取 当
得极大值时 ，表 明样本点在 ∞方 向上投影类间距离最大且类内 距离最小。使用 Ｌｇａｇ ａｒｎｅ乘子法求解 取得极 大值时 ， ｍ 和 ， 的取值。定义 Ｌｇａ ｇ ａｒ ｅ函数为： ｎ
４ ５６组内圈故障， ，、 归一化处理后 ， 如表 １ 所示 。对表 １中数据采 用 Ｆ Ｃ聚类算法 ， Ｆ 聚类结果 ， 图 １ 如 所示 。图 中实现为样本投影
基于深度学习的滚动轴承故障诊断方法
设备管理与维修2021翼4（上）基于深度学习的滚动轴承故障诊断方法陈志刚，高鹤，刘菲，杨志达（北京航天拓扑高科技有限责任公司，北京100176）摘要：提出一种基于一维卷积神经网络（CNN）与门控循环单元（GRU ）的滚动轴承故障诊断方法，设计了一种基于数据驱动的滚动轴承故障诊断方法。
利用同一数据集之间特征相似并且独立同分布这一特征，分别设计网络结构和参数。
为采用CNN 和GRU 进行故障诊断提供了新的思路，具有较好的技术应用前景。
关键词：深度学习；故障诊断；滚动轴承；一维卷积；门控循环单元中图分类号：TH133.33；TP277文献标识码：B DOI ：10.16621/ki.issn1001-0599.2021.04.660引言滚动轴承是机械设备中常见的组件，从简单的电风扇到复杂的机床上都有滚动轴承的应用。
事实上，超过50%的机械缺陷与轴承故障有关，从而导致机器停产、停机、甚至造成人员的伤亡[1]。
因此，滚动轴承故障诊断是机械故障诊断的一个重要方面，也是近些年来的研究热点。
近些年来，随着学者们的不断深入研究提出了各种故障诊断的方法。
传统的研究方法有：BP 神经网络[3]、概率神经网络（Probabilistic Neural Network ，PNN ）[4]、小波分析[5]、EMD [6]、集合经验模态分解（Ensemble Empirical Mode Decompo原sition ，EEMD ）[7]、奇异值分解（Singular value decomposition ，SVD ）[8]等得到了广泛的应用。
目前基于机器学习的故障诊断方法主要有，如Logistic 回归[9]、支持向量机（Support Vector Machine ，SVM ）[10]以及人工神经网络（Artificial Neural Network ，ANN ）[11]、模糊推断[12]。
人工智能的蓬勃发展，深度学习在图像识别、语音识别等领域得到广泛运用。
基于Hilbert共振解调法的滚动轴承振动故障诊断
基于Hilbert共振解调法的滚动轴承振动故障诊断采用基于Hilbert变换的共振解调技术，从共振信号中解调出故障特征信号，对故障特征频率进行分析，并经过实验诊断出轴承故障类型和部位，验证了该损伤诊断方法的优越性。
标签：滚动轴承；故障诊断；共振解调技术1 概述滚动轴承是各种旋转机械中应用最广泛的一种机械部件，它的运行状态影响整台机器的性能，包括精度、可靠性等。
同时它也是机器中最易损坏的元件之一。
由于轴承使用寿命的离散性很大，若对其按设计寿命进行定时维修更换，则有可能使故障轴承得不到及时维修和替换，导致机械工作精度下降，甚至引发事故。
因此对滚动轴承进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维修，具有重要意义[1]。
滚动轴承最常见的故障形式为局部损伤和磨损，主要由运转过程中的腐蚀、疲劳、塑性变形、胶合引起。
局部损伤具有突发性，会加剧运行时的冲击载荷，有可能在较短时间内发展为大片剥落，危害很大，因此力争在局部损伤出现的早期，就检测到其特征信号并对其进行定位[2，3]。
2 实验和结果2.1 实验设计滚动轴承故障实验系统由机械驱动装置、轴系、加载装置、振动信号采集系统组成，如图2所示。
机械驱动装置为变频调速电机及齿轮减速箱，轴转速可在15～748r/min之间调整。
轴系包括直径100mm的轴、1个推力轴承、1个圆柱滚子轴承和1个受测的6220型深沟球轴承。
受测轴承共有三种试件，分别为无故障轴承、外圈故障轴承和内圈故障轴承（用电火花加工方式分别在外圈、内圈上模拟出点蚀坑）。
加载装置通过总放大倍数为200的两级杠杆给轴承施加7000N 的径向载荷。
振动信号采集系统由手持式转速计、CA-YD-103加速度传感器、DHF-7电荷放大器、凌华PCI-1812采集卡、工控机组成。
2.2 故障特征频率计算文章的实验分别模拟了外圈单处点蚀故障和内圈单处点蚀故障。
可以计算出外圈故障特征频率fout为57.09Hz，内圈故障特征频率fin为79.31Hz，其边频带谱间隔频率为fs=12.40HZ。
滚动轴承的故障诊断方法研究
滚动轴承的故障诊断⽅法研究滚动轴承的故障诊断⽅法研究第1章绪论1.1研究的⽬的和意义滚动轴承是⽣产机械中的地位⽆可替代，当然也最易损坏的部件。
其运⾏状态会直接影响整台机械⼯作效率、精度寿命和可靠性。
滚动轴承的损坏会导致⽣产机械剧烈振动，并伴有强⼤噪声，不仅会影响产品的加⼯质量，严重时会导致⽣产机械的损坏或机械事故。
随着电机的⼴泛应⽤及其⾃动化程度的不断提⾼，对其安全性、精度和故障诊断的准确性的要求也随之提⾼。
传统的诊断⽅法不仅成本较⾼、准确率偏低，并且更新费⽤⾼，已然不能满⾜⾼科技设备的需求。
基于以上原因，本⽂在虚拟仪器的环境下，利⽤多传感器信息融合技术，实现滚动轴承的故障诊断，会对现在和将来的⽣产技术提供强有⼒的帮助。
1.2国内外电机滚动轴承故障诊断的研究现状近现代以来，国内和国外的研究机构及学者在电机滚动轴承故障诊断的理论、技术与⽅法等⽅⾯进⾏了⼤量的研究分析⼯作，发表了诸多研究成果。
在国外，美国南卡罗林娜⼤学运⽤振动响应的多参数多频率的⽅法，对具有裂纹的和损伤的故障轴承进⾏诊断，⽬前已经取得了良好的成果。
美国宾州⼤学采⽤alpha beta -gamma跟踪滤波器和Kalman滤波器，对轴承故障的智能预⽰实现了完美成功。
⽇本九州⼯业⼤学运⽤基因算法优化组合特征参数，成功诊断出⼯况滚动轴承微弱故障。
意⼤利的Cassino⼤学，使⽤⾃谱技术对出现的轴承进⾏检测，判断故障轴承的初始问题，到⽬前为⽌也取得了有效的研究成果。
国外的这些技术有我们值得借鉴的地⽅，去其糟粕取其精华，研究更有技术的故障轴承诊断系统。
在国内，当滚动轴承存在故障时，⼤都以振动检测为主，因为轴承故障后常伴随巨⼤的声响，以及明显的外观表现。
国内的主要研究成果如下图所⽰。
或⾃⾝故障等多个⽅⾯的原因，会对故障造成误判或错判，如:声级计传感器易受到噪声的⼲扰，不能准确、⽆失真的反映滚动轴承的真实信号，温度传感器由于易受到外界温度的⼲扰，也常会出现误判或者错判等等。
滚动轴承故障诊断技术研究
摘 要 ：滚动 轴承 是 机 器 的 易损 件 之 一 。滚 动 轴 承 故 障诊 断 的 传 统 方 法 和现 代 方 法有 冲 击脉 冲 法 、共振 解调 法 、小
波 分 析 法 等 。 滚 动 轴 承 诊 断 技 术 的 发 展 方 向为 非 缌 ｝生理 论 、现 代 信 号 处理 技 术 与 智 能诊 断技 术 的 融 合 、信 号 处 理 技 术
时 间 运 转 ，轴 承也 会 出 现 疲 劳 剥 落 和磨 损 。总 之 ，滚 动 轴 承 的 是 固定 不 变 的 。在 实 际使 用 中 ，当背 景 噪 声 很 强 或 有 其 他 冲击
故 障 原 因是 十 分 复 杂 的 ， 因而 对 作 为 运 转 机 械 最 重 要 件 之 一 源 时 ，ＳＰＭ 诊 断 效 果 很 差 ，失 去 了 实 际 意 义 。
之 间的 相 互 融 合 。
关 键 词 ：滚动 轴 承 ；故 障诊 断 ；冲 击脉 冲 ；共振 解 调 技 术 ；小 波 变换 ；遗 传 算 法
中图 分 类 号 ：ＴＨ１３３．３３
文 献 标 识 码 ：Ａ
文 章 编 号 ：１００７—８３２０（２０１０）０５—００９３—０２
Ｓｔｕｄｙ ｏｆ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍ ｅｔｈｏｄ ｆｏｒ ｒｏｌｌｉｎｇ ｅｌｅｍ ｅｎｔ ｂｅａｒｉｎｇｓ
ｚＨＡＮＧ ＨｎＯ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＭｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｔｏｎｇ ｉｎｓｔｉｔｕｔｅ ｏ ｆ ａｇｒｉｃｕｌｔｕｒｅ，Ｎａ ｎ ｔｏｎｇ，ｊｉａ ｎｇｓｔｔ ２２６００７，Ｃｈｉｎａ）
Ａ ｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ｓｏｍｅ ｔｒａｄｉｔｉｏｎａｌ ａｎｄ ｍｏｄｅｍ ｍｅｔｈｏｄｓ ｆｏｒ ｔｈｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｒｏｌｌｉｎｇ ｂｅａｔ ｉｎｇｓ ｆａｕｌｔｓ，ｗｈｉｃｈ ｉｎｃｌｕｄｅ ｔｈｅ ｓｈｏｃｋ ｐｕｌｓｅ ｍ ｅｔｈｏｄ，ｔｈｅ ｄｅｍ ｏｄｕｌａｔｅｄ ｒｅｓｏｎａｎｃｅ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ，ｅｔｅ． Ａｔ ｌａｓｔ，ａｄｖａｎｃｅｓ ｔ ｈ ｅ ｗａｙ ｏｆ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｂｅａｔ ｉｎｇ ｆａｕｌｔ ｄｉａｇ ｎ ｏｓｉｓ．
神经网络在滚动轴承故障诊断中的应用
Ｍａａ 算法可简单表述如下 ： ｌｔ ｌ
ห้องสมุดไป่ตู้＝
：
∑ ～ ＾
∑ ～
（ ＝０ １２ … ，Ｌ１ ，，， ＾ ）
和共振解调法嘲 虽然较大的提高 了诊 断精度 ， 是仍然需要人 但
工辅助 ， 难以实现复杂环境下 的精确诊 断。 因此 ， 采用智能方 法对滚动轴 承进行状态 检测 以及故 障诊 断显得十分必要。而 神经 网络作 为一种 应用 广泛 的智 能方 法 ，具有非线性映射能 力强 ， 以及 自学 习 、 自组织 和 自适应 的优 点 ， 常适合 于滚动 非 轴承 的故 障诊断。
收 稿 日期 ：０ ９ １— ２ ２０ — ０ １ 作者简介 ： 蒋康保（９ ｏ＿ ， ， １７ ＿ １男 湖南衡南人 ， 讲师 ， 本科学历 ， 主要从事机械制造 、 电力 电子技术等方面的教学与科研工作。
１５ １
Ｅｑｕｐｍｅ ｔ ａ ｆ ｃ ｒｎ ｃ ｎｏｏ ｙ Ｎｏ Ｉ， ｉ ｎ Ｍ ｎｕａ ｔｉ ｇ Ｔｅ ｈ ｌ ｇ ． ２０１ ０
厂丁——一
（ 内圈 、 外圈 、 滚动体等 ） 障时 的典 型特征 频率 ， 故 从而判 断滚
动轴承 的故障类型及其 严重程度 。 振动信号经小波包分解后 ， 在某一层次上不 同正交小 波包空间上 的能量分 布 ，如同滚动
基于改进一维卷积神经网络的滚动轴承故障智能诊断方法
基于改进一维卷积神经网络的滚动轴承故障智能诊断方法基于改进一维卷积神经网络的滚动轴承故障智能诊断方法摘要：滚动轴承是旋转机械中常用但容易受损的零部件之一。
准确诊断滚动轴承的故障情况对于确保机械设备的正常运行和预防故障具有重要意义。
为了解决传统滚动轴承故障诊断方法的问题，本文提出了一种基于改进一维卷积神经网络的滚动轴承故障智能诊断方法。
该方法将滚动轴承振动信号转化为时域数据，通过一维卷积神经网络对其进行特征提取和故障分类，实现对滚动轴承故障的智能诊断。
1. 引言滚动轴承是各种旋转机械中常见的核心部件之一，其工作稳定性和可靠性直接影响着机械设备的运行效果。
然而，由于工作环境的复杂性和长时间使用的磨损，滚动轴承容易出现各种故障，如疲劳裂纹、滚珠脱落等。
因此，准确诊断滚动轴承的故障情况对于预防机械故障、提高设备可靠性具有重要意义。
2. 传统滚动轴承故障诊断方法的问题传统滚动轴承故障诊断方法主要依赖于专家经验和信号处理技术。
然而，这些方法存在着以下几个问题：（1）对于大规模滚动轴承数据的处理效率较低；（2）诊断结果依赖于专家的经验；（3）对于不同种类的故障缺乏普适性。
3. 基于改进一维卷积神经网络的滚动轴承故障诊断方法为了解决传统滚动轴承故障诊断方法的问题，本文提出了一种基于改进一维卷积神经网络的滚动轴承故障智能诊断方法。
该方法的主要步骤如下：3.1 数据采集与预处理首先，采集滚动轴承的振动信号，并对其进行预处理。
预处理包括滤波、去除噪声等步骤，以提高信号的质量和清晰度。
3.2 数据转换和特征提取将预处理后的振动信号转换为时域数据，并提取其特征。
本文选取了多种特征参数，包括均值、标准差、峰值等，以全面描述滚动轴承的故障情况。
3.3 改进一维卷积神经网络模型本文在传统的一维卷积神经网络（CNN）模型的基础上，进行了一定的改进。
首先，引入残差连接（Residual Connection）机制，以避免梯度消失和过拟合问题。
滚动轴承故障诊断研究的国内现状与发展方向
滚动轴承故障诊断研究的国内现状与发展方向一、内容综述随着我国工业生产的不断发展，滚动轴承在各个领域得到了广泛的应用。
然而由于长期使用、磨损、过热等原因，滚动轴承故障问题也日益严重，给企业的生产带来了很大的困扰。
因此对滚动轴承故障诊断技术的研究显得尤为重要。
尽管如此我国在滚动轴承故障诊断方面的研究还存在一些不足之处。
首先理论研究相对较少，很多故障诊断方法和技巧还需要进一步验证和完善；其次，现场检测设备和技术水平有待提高，导致很多故障无法得到及时、准确的诊断；缺乏对滚动轴承故障诊断技术的广泛推广和应用，使得许多企业和用户仍然依赖于国外先进的诊断设备和技术。
面对这些挑战，我国滚动轴承故障诊断领域的研究者们正积极探索新的研究方向和发展模式。
一方面加强基础理论研究，提高滚动轴承故障诊断的准确性和可靠性；另一方面，加大对现场检测设备的研发力度，降低故障诊断的成本和难度；此外，还要加强国内外交流与合作，推动滚动轴承故障诊断技术的普及和应用。
相信在我国科研人员的不懈努力下，滚动轴承故障诊断技术将会取得更加丰硕的成果。
1. 研究背景和意义随着我国经济的快速发展，各行各业对机械设备的需求越来越大，而滚动轴承作为机械设备中的重要部件，其性能直接影响到设备的稳定性和使用寿命。
然而近年来我国滚动轴承故障诊断技术的研究和应用水平相对较低，导致很多企业在设备运行过程中出现了大量滚动轴承故障，给企业带来了巨大的经济损失。
因此深入研究滚动轴承故障诊断技术，提高我国滚动轴承故障诊断技术的研究和应用水平，具有重要的现实意义和紧迫性。
首先滚动轴承故障诊断技术的研究和应用可以有效地降低企业的维修成本。
通过对滚动轴承故障的及时、准确地诊断，可以避免因故障导致的设备停机、生产中断等严重后果，从而降低企业的维修成本。
同时滚动轴承故障诊断技术的提高还可以延长设备的使用寿命，进一步降低企业的维修成本。
其次滚动轴承故障诊断技术的研究和应用可以提高企业的安全生产水平。
轴承故障诊断技术及发展现状和前景
轴承故障诊断技术及发展现状和前景摘要本文分析了轴承故障信号的基本特征,并将共振解调技术的原理和基于振动信号的信号处理方法用于滚动轴承的故障诊断. 在实践中运用该技术手段消减了背景噪声的干扰,提高了轴承的信噪比, 取得了与实际情况完全吻合的诊断结果。
并概述了滚动轴承故障监测和诊断工程与试验应用技术的现状，并预测了滚动轴承故障监测和诊断技术应用新进展和发展方向。
关键词：滚动轴承；共振解调；小波分析；信噪比(SN R )；变速箱；故障监测；信号处理；故障诊断；应用技术。
1 轴承故障信号的基木特征机器在正常工作的条件下其转轴总是匀速转动的. 由轴承的结构可知,当轴承某元件的工作而产生缺陷时,由加速度传感器所测取到的轴承信号具有周期性冲击的特征，由信号理论可知, 时域中短暂而尖锐的冲击信号变换到频域中去时必具有宽频带的特性, 而非冲击的干扰信号则不具有上述特性，所以时域中的周期性冲击与频域中的宽频带特性构成了轴承故障信号区别于其它非冲击性干扰信号的基木特征。
2 用共振解调技术提高轴承信号的信噪比我们来考察一下用共振解调技术提高轴承信号信噪比的过程。
传感器拾取到的轴承信号包含两部分内容, 即轴承的故障信号和干扰噪声两部分。
带通滤波器的中心频率与传感器的安装片振圆频率相一致, 它将保存被传感器的共振响应所加强了的冲击性故障信号, 滤除掉频率较低的干扰噪声信号, 这种保留下来的瞬态冲击信号经过包络检波器后就形成了一个与故障冲击重复频率相一致的包络脉冲串, 然后对该脉冲串进行普分析便在低频域内得到一个与冲击币复频率相一致的峰值。
峰值的大小反映了冲击的强弱即故障的严重程度这样我们就借助共振解调技术实现了故障信号与干扰信号的分离, 并在低频域内重新得到了故障冲击的信息。
而在常规的信号分析与处理过程中一开始就使用了抗混频滤波器(低通滤波器这种分析方法没有利用轴承故障信号的特点, 经抗混频滤波器后将被传感器的共振以加强放大了的故障特征信号无情地滤除了, 所剩下的只是强大的背景噪声信号及微弱的故障特征信号, 因此用常规的信号分析方法难以排除干扰信号的影响而采用共振解调技术就可以排除背景噪声的干扰, 提高轴承故障诊断的有效率。
基于MTCN_的滚动轴承故障诊断方法研究
第 22卷第 3期2023年 3月Vol.22 No.3Mar.2023软件导刊Software Guide基于MTCN的滚动轴承故障诊断方法研究马新娜1，2，赵尚军1，2，栾浩楠1，2，刘心茹1，2，牛天云1，2（1.石家庄铁道大学信息科学与技术学院；2.石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室，河北石家庄 050043）摘要：为解决滚动轴承在不同转速、动载荷等变工况下故障诊断精度低的问题，基于已有时间卷积网络（TCN）提出多路时间卷积网络（MTCN）获得不同感受野下的振动信号特征，从而提高滚动轴承故障诊断准确率。
首先，该网络使用了三路TCN网络，其中两路为原始振动信号输入到不同膨胀尺度的TCN网络，另一路将提取的时域特征输入TCN网络。
然后，将三路特征进行拼接后输入全连接层中通过Softmax进行多分类。
实验表明，在含有多种转速、动载荷等工况的数据集中，MTCN的滚动轴承故障诊断准确率可达到97.19%，相较于长短期记忆网络（LSTM）和一维卷积的AlexNet准确率更高。
关键词：深度学习；多路时间卷积网络；动载荷；滚动轴承；故障诊断DOI：10.11907/rjdk.221941开放科学（资源服务）标识码（OSID）：中图分类号：TP277；TH133.33；TP183 文献标识码：A文章编号：1672-7800（2023）003-0096-07Rolling Bearing Fault Diagnosis Method Based on MTCNMA Xin-na1，2， ZHAO Shang-jun1，2， LUAN Hao-nan1，2， LIU Xin-ru1，2， NIU Tian-yun1，2（1.Department of Information Science and Technology， Shijiazhuang Tiedao University；2.State Key Laboratory of Mechanical Be⁃havior and System Safety of Traffic Engineering Structures， Shijiazhuang Tiedao University， Shijiazhuang 050043，China）Abstract：In order to solve the problem of low fault diagnosis accuracy of rolling bearings under variable working conditions such as different speeds and dynamic loads， a multi-channel time convolution network （MTCN） is proposed based on the existing time convolution network （TCN） to obtain the characteristics of vibration signals under different receptive fields， thereby improving the accuracy of rolling bearing fault diagnosis. First， the network uses three TCN networks， two of which are original vibration signals input to TCN networks with different expan⁃sion scales， and the other is to input the extracted time-domain features into TCN networks. Then， the three features are spliced and input into the full connection layer for multi classification through Softmax. The experiment shows that the accuracy of rolling bearing fault diagnosis of MTCN can reach 97.19% in the data set containing multiple rotating speeds， dynamic loads and other working conditions， which is higher than that of long short memory network （LSTM） and one-dimensional convolution AlexNet.Key Words：deep learning； multipath time convolution network； dynamic load； rolling bearing； fault diagnosis0 引言滚动轴承作为机械设备的重要零部件，极易发生故障。
滚动轴承故障诊断文献综述
滚动轴承故障诊断文献综述滚动轴承故障诊断文献综述[ 2008-4-2 14:38:00 | By: mp2 ]推荐文献综述——滚动轴承故障诊断1.前言滚动轴承是各种旋转机械中应用最广泛的一种通用机械零件，它是机器最易损坏的零件之一。
据统计。
旋转机械的故障有30,是由轴承引起的。
可见轴承的好坏对机器的工作状况影响很大。
轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。
包括以下几个环节:信[1]号测取;特征提取;状态识别:故障诊断;决策干预。
滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术。
在现代分析方法中，小波分析是最近几年才出现井得以应用和发展的一种时—频信号分析方法。
它具有时域和频域的局部化和可变时频窗的特点(用它分析非平稳信号比传统的傅里叶分析更为最著。
由于滚动轴承的故障信号中禽有非稳态成分，所以刚小波分析来处理其振动信号(可望获得更为有效的诊断特征信息[2]。
滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。
2.故障信号诊断方法2.1冲击脉冲法(spm)SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz,60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。
SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。
此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。
此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。
基于ICEEMDAN的滚动轴承声信号故障诊断方法
第４５卷第６期２０２３年１１月沈 阳 工 业 大 学 学 报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ ４５Ｎｏ ６Ｎｏｖ ２０２３收稿日期：２０２３－０６－０８基金项目：国家自然科学基金项目（５１６７５３５０，５１７０５３３７）；辽宁省“揭榜挂帅”科技攻关项目（２０２２ＪＨ１／１０４００００８）。
作者简介：李 篪（１９８６－），女，辽宁沈阳人，工程师，博士生，主要从事机械故障诊断、声信号分析等方面的研究。
檪檪檪檪檪檪檪檪檪檪殏殏殏殏机械工程 ＤＯＩ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０６．１３基于ＩＣＥＥＭＤＡＮ的滚动轴承声信号故障诊断方法李 篪，陈长征（沈阳工业大学机械工程学院，辽宁沈阳１１０８７０）摘 要：针对基于单通道声信号的机械故障诊断信号干扰成分大，故障特征难以提取的问题，提出了一种结合改进自适应噪声完备经验模态分解（ＩＣＥＥＭＤＡＮ）和快速独立分量分析（ＦａｓｔＩＣＡ）的方法。
依据峭度与信号相关性准则设定本征内模分量（ＩＭＦ）选取系数，对ＩＣＥＥＭＤＡＮ自适应分解的ＩＭＦ进行有效筛选，实现信号降噪和粗提取，并以所选ＩＭＦ作为虚拟通道，应用ＦａｓｔＩＣＡ成功实现信噪的盲源分离。
通过内外圈故障轴承实验数据对算法实行对比验证，结果表明，所提算法大幅降低了噪声及干扰，有效提取了故障特征。
关 键 词：机械故障诊断；声学诊断；声信号；滚动轴承；改进自适应噪声完备经验模态分解；快速独立分量分析；特征提取；盲源分离中图分类号：ＴＨ１３３ ３３ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０６－０６７２－０８ＡｃｏｕｓｔｉｃｓｉｇｎａｌｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＩＣＥＥＭＤＡＮｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔＬＩＣｈｉ，ＣＨＥＮＣｈａｎｇｚｈｅｎｇ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｓｈｅｎｙａｎｇ１１０８７０，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｉｎｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｉｎｇｌｅ ｃｈａｎｎｅｌａｃｏｕｓｔｉｃｓｉｇｎａｌｓｔｈａｔｃｏｌｌｅｃｔｅｄｓｉｇｎａｌｓａｌｗａｙｓｈａｖｅｔｈｅｉｎｔｅｎｓｉｖｅｉｎｔｅｒｆｅｒｅｎｃｅ，ｆｒｏｍｗｈｉｃｈｆａｕｌｔｆｅａｔｕｒｅｓａｒｅｄｉｆｆｉｃｕｌｔｔｏｂｅｅｘｔｒａｃｔｅｄ，ａｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｔｈｅｉｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ（ＩＣＥＥＭＤＡＮ）ａｎｄｔｈｅｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＦａｓｔＩＣＡ）ｗｅｒｅｐｒｏｐｏｓｅｄ．Ｓｅｔｔｉｎｇａｎｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎ（ＩＭＦ）ｓｅｌｅｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔａｃｃｏｒｄｉｎｇｔｏｂｏｔｈｔｈｅｋｕｒｔｏｓｉｓａｎｄｔｈｅｓｉｇｎａｌｃｏｒｒｅｌａｔｉｏｎａｓｃｒｉｔｅｒｉｏｎ，ＩＭＦｓａｄａｐｔｉｖｅｌｙｄｅｃｏｍｐｏｓｅｄｂｙＩＣＥＥＭＤＡＮｗｅｒｅｅｆｆｅｃｔｉｖｅｌｙｓｃｒｅｅｎｅｄｔｏｒｅｄｕｃｅｔｈｅｎｏｉｓｅａｎｄｒｏｕｇｈｌｙｅｘｔｒａｃｔｔｈｅｓｉｇｎａｌｆｅａｔｕｒｅｓ．ＦａｓｔＩＣＡｗａｓａｐｐｌｉｅｄｔｏｔｈｅｓｅｌｅｃｔｅｄＩＭＦｓｒｅｇａｒｄｅｄａｓｖｉｒｔｕａｌｃｈａｎｎｅｌｓ，ｂｙｗｈｉｃｈｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎｃｏｕｌｄｂｅｓｕｃｃｅｓｓｆｕｌｌｙａｃｈｉｅｖｅｄ．Ｔｈｅａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｗａｓｖｅｒｉｆｉｅｄｂｙｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｏｆｉｎｎｅｒａｎｄｏｕｔｅｒｂｅａｒｉｎｇｒｉｎｇｆａｕｌｔｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｇｒｅａｔｌｙｒｅｄｕｃｅｔｈｅｎｏｉｓｅａｎｄｉｎｔｅｒｆｅｒｅｎｃｅ，ａｎｄｉｓｅｆｆｉｃａｃｉｏｕｓｆｏｒｅｘｔｒａｃｔｉｎｇｆａｕｌｔｆｅａｔｕｒｅｓ．Ｋｅｙｗｏｒｄｓ：ｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓ；ａｃｏｕｓｔｉｃｄｉａｇｎｏｓｉｓ；ａｃｏｕｓｔｉｃｓｉｇｎａｌ；ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｉｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ；ｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ 滚动轴承故障是导致旋转机械故障的最主要因素之一，因此针对轴承的健康监测和故障诊断多年来一直是重要的研究领域。
基于ssae-svm的滚动轴承故障诊断方法研究
基于ssae-svm的滚动轴承故障诊断方法研究基于SSAE-SVM（Sparse Subspace Autoencoder-Support Vector Machine）的滚动轴承故障诊断方法是一种结合了稀疏子空间自编码器（SSAE）和支持向量机（SVM）的故障诊断技术。
该方法旨在通过对滚动轴承振动信号进行特征提取和分类，实现对轴承故障的准确诊断。
下面是基于SSAE-SVM的滚动轴承故障诊断方法的一般研究步骤：1. 数据采集和预处理：使用合适的传感器采集滚动轴承的振动信号，并进行预处理，如去除噪声、滤波和降采样等。
2. 特征提取：使用稀疏子空间自编码器（SSAE）对预处理后的振动信号进行特征提取。
SSAE 是一种无监督学习方法，可以自动学习数据中的潜在特征表示。
它通过逐层训练多个稀疏自编码器来构建一个深度神经网络，从而实现高效的特征提取。
3. 特征选择和降维：根据所提取的特征，使用适当的特征选择和降维方法，如主成分分析（PCA）或线性判别分析（LDA），选择最具有区分性和信息丰富度的特征。
4. 故障分类：使用支持向量机（SVM）或其他分类器对选定的特征进行训练和分类。
SVM 是一种监督学习方法，能够有效地进行二分类和多分类任务。
在训练阶段，使用已标记的故障数据和正常数据对SVM进行训练；在分类阶段，对新的未知样本进行分类，以判断轴承是否存在故障。
5. 性能评估：对所建立的故障诊断模型进行性能评估。
常用的评估指标包括准确率、召回率、精确度和F1分数等。
通过与实际故障数据进行比对和验证，评估方法的有效性和可靠性。
需要注意的是，实施基于SSAE-SVM的滚动轴承故障诊断方法需要适当的数据集和专业的机器学习知识。
此外，还应考虑诊断模型的泛化能力和实际应用的可行性。
因此，在具体研究中，还需要针对具体的滚动轴承故障场景和实际需求进行进一步的优化和改进。
滚动轴承故障诊断技术研究
滚动轴承故障诊断技术研究摘要: 滚动轴承是机器的易损件之一。
滚动轴承故障诊断的传统方法和现代方法有冲击脉冲法、共振解调法、小波分析法等。
滚动轴承诊断技术的发展方向为非线性理论、现代信号处理技术与智能诊断技术的融合、信号处理技术之间的相互融合。
关键词: 滚动轴承；故障诊断；冲击脉冲；共振解调技术；小波变换；遗传算法0 前言滚动轴承是机器的易损件之一,据不完全统计, 旋转机械的故障约有30%是因滚动轴承引起的, 由此可见滚动轴承故障诊断工作的重要性。
如何准确判断出它的末期故障是非常重要的, 可减少不必要的停机修理,延长设备的使用寿命, 避免事故停机。
滚动轴承在运转过程中可能会由于各种原因引起损坏, 如装配不当、润滑不良、水分和异物侵人、腐蚀和过载等。
即使在安装、润滑和使用维护都正常的情况下,经过一段时间运转,轴承也会出现疲劳剥落和磨损。
总之, 滚动轴承的故障原因是十分复杂的,因而对作为运转机械最重要件之一的轴承, 进行状态检测和故障诊断具有重要的实际意义, 这也是机械故障诊断领域的重点。
1 滚动轴承故障诊断技术的发展和现状1.1 国外发展概况国外对滚动轴承的监测与诊断开始于20 世纪60 年代。
至今为止的超过40 年的时间内, 随着科学技术的不断发展, 滚动轴承的诊断技术亦不断向前发展。
现在在工业发达国家, 滚动轴承工况监测与故障诊断技术己经实用化和商品化。
总的来说, 该技术的发展可以分为四个阶段。
第一阶段:利用通用的频谱分析仪诊断轴承故障。
20 世纪60 年代,由于快速傅里叶变换（FFT）技术的出现和发展，振动信号的频谱分析技术得到很大发展，随之而来的是各种通用的频谱分析仪纷纷问世。
人们通过频谱分析仪分析轴承振动信号频谱中是否出现故障特征频率来判断轴承是否有故障。
由于背景噪声的影响, 频谱图往往比较复杂, 轴承的特征频率在故障初期很难识别出来。
另外, 当时频谱仪的价格很昂贵, 所以没能得到普及利用。
基于GADF与卷积神经网络的滚动轴承故障诊断研究
第３８卷第５期２０２１年５月机㊀㊀电㊀㊀工㊀㊀程ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＶｏｌ.３８Ｎｏ.５Ｍａｙ２０２１收稿日期:２０２０－０９－０９基金项目:辽宁省自然科学基金资助项目(２０１９ＢＳ１８６)作者简介:刘红军(１９７１－)ꎬ男ꎬ辽宁沈阳人ꎬ副教授ꎬ硕士生导师ꎬ主要从事数字化制造技术方面的研究ꎮE￣mail:133****8635＠１６３.ｃｏｍＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００１－４５５１.２０２１.０５.０１０基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究∗刘红军ꎬ魏旭阳(沈阳航空航天大学机电工程学院ꎬ辽宁沈阳１１００００)摘要:为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ提出了一种格拉姆角差场(ＧＡＤＦ)结合改进卷积神经网络(ＣＮＮ)的智能故障诊断模型ꎮ首先ꎬ将一维时序振动信号通过格拉姆角差场转化为二维图像ꎬ提取了图像特征ꎬ并输入了改进后的ＣＮＮ模型ꎻ其次ꎬ改进的ＣＮＮ模型采用全局池化层替代了传统的全连接层ꎬ有效地解决了传统ＣＮＮ模型参数爆炸的问题ꎻ最后ꎬ进行了试验研究ꎬ通过Ａｄａｍ小批量优化法进行了迭代训练ꎬ达到了理想的检测精度ꎮ试验与研究结果表明:该诊断方法在特征提取方面更快速㊁准确ꎬ充分展现了ＣＮＮ模型的非线性表达能力ꎬ检测精度优于其他智能诊断算法ꎮ关键词:格拉姆角差场ꎻ故障诊断ꎻ卷积神经网络ꎻ深度学习中图分类号:ＴＨ１３３.３３㊀㊀㊀㊀文献标识码:Ａ文章编号:１００１－４５５１(２０２１)０５－０５８７－０６ＲｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＧＡＤＦａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋＬＩＵＨｏｎｇ￣ｊｕｎꎬＷＥＩＸｕ￣ｙａｎｇ(ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃＥｎｇｉｎｅｅｒｉｎｇꎬＳｈｅｎｙａｎｇＡｅｒｏｓｐａｃｅＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１００００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｎｏｒｄｅｒｔｏｇｉｖｅｆｕｌｌｐｌａｙｔｏｔｈｅａｄｖａｎｔａｇｅｓｏｆｄｅｅｐｌｅａｒｎｉｎｇｒｅｃｏｇｎｉｔｉｏｎｉｎｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅｉｎｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｅｔｅｃｔｉｏｎꎬａｎｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｍｏｄｅｌｂａｓｅｄｏｎＧｒａｍａｎｇｌｅｄｉｆｆｅｒｅｎｃｅｆｉｅｌｄ(ＧＡＤＦ)ａｎｄｉｍｐｒｏｖｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ(ＣＮＮ)ｗａｓｐｒｏｐｏｓｅｄ.Ｆｉｒｓｔｌｙꎬｔｈｅｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌｔｉｍｅｓｅｒｉｅｓｖｉｂｒａｔｉｏｎｓｉｇｎａｌｗａｓｔｒａｎｓｆｏｒｍｅｄｉｎｔｏａｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌｉｍａｇｅｔｈｒｏｕｇｈｔｈｅｇｒａｍａｎｇｌｅｄｉｆｆｅｒｅｎｃｅｆｉｅｌｄꎬａｎｄｔｈｅｔａｒｇｅｔｉｍａｇｅｆｅａｔｕｒｅｓｗｅｒｅｅｘｔｒａｃｔｅｄａｎｄｉｎｐｕｔｉｎｔｏｔｈｅｉｍｐｒｏｖｅｄＣＮＮｍｏｄｅｌ.Ｓｅｃｏｎｄｌｙꎬｔｈｅｇｌｏｂａｌｐｏｏｌｉｎｇｌａｙｅｒｉｎ￣ｓｔｅａｄｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｆｕｌｌｃｏｎｎｅｃｔｉｏｎｌａｙｅｒｗａｓｕｓｅｄｂｙｔｈｅｉｍｐｒｏｖｅｄＣＮＮｍｏｄｅｌꎬｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｓｏｌｖｅｄｔｈｅｐｒｏｂｌｅｍｏｆｐａｒａｍｅｔｅｒｅｘｐｌｏ￣ｓｉｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＣＮＮｍｏｄｅｌ.ＦｉｎａｌｌｙｔｈｅｉｄｅａｌｄｅｔｅｃｔｉｏｎｔｈｒｏｕｇｈｉｔｅｒａｔｉｖｅｔｒａｉｎｉｎｇｗｉｔｈＡｄａｍｓｍａｌｌｂａｔｃｈｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄａｃｃｕｒａｃｙｗａｓａｃｈｉｅｖｅｄ.Ｔｈｅｔｅｓｔａｎｄｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｉｓｍｏｒｅｒａｐｉｄａｎｄａｃｃｕｒａｔｅｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎬｆｕｌｌｙｄｅｍｏｎ￣ｓｔｒａｔｅｓｔｈｅｎｏｎｌｉｎｅａｒｅｘｐｒｅｓｓｉｏｎａｂｉｌｉｔｙｏｆＣＮＮｍｏｄｅｌꎬａｎｄｔｈｅｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｉｓｂｅｔｔｅｒｔｈａｎｔｈｅｏｔｈｅｒｉｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓａｌｇｏｒｉｔｈｍｓ.Ｋｅｙｗｏｒｄｓ:Ｇｒａｍａｎｇｌｅｄｉｆｆｅｒｅｎｃｅꎻｆｉｅｌｄｆａｕｌｔｄｉａｇｎｏｓｉｓꎻｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋꎻｄｅｅｐｌｅａｒｎｉｎｇ０㊀引㊀言在现今机械设备中ꎬ旋转机械是机械设备中最常见和最重要的组成部件之一ꎮ滚动轴承作为旋转设备最基本的结构之一ꎬ对机械设备的寿命与稳定性有着决定性的影响ꎮ因此ꎬ国内外许多学者对滚动轴承的故障检测进行了深入的研究[１]ꎬ并提出了许多有价值的方法ꎮ大部分检测方法多采用对滚动轴承的故障信号进行分析ꎬ提取有效特征作为输入ꎬ导入各种分类器中进行识别ꎮ如杨宇等[２]通过ＥＭＤ和神经网络结合的故障诊断方法ꎻ刘韬等[３]通过ＫＰＣＡ和耦合隐马尔科夫模型的轴承故障诊断ꎮ但此类方法存在过程复杂㊁缺少灵活性㊁对专家的经验与知识具有依赖性ꎬ以及分类器缺少非线性拟合能力等问题ꎮ近些年来ꎬ深度学习的非线性拟合能力在轴承故障检测方面得到了充分的展示ꎬ并获得了理论上的高精度诊断水平ꎮ其中ꎬ卷积神经网络(ＣＮＮ)因其自身具有共享权值与偏重㊁局部感受野和子采样测量等特点ꎬ与深度信念网络(ＤＢＮ)[４]和限制玻尔兹曼机(ＲＢＭ)[５]等其他深度学习方法相比ꎬ在语音以及图像分类任务方面具有较大的优势ꎮ同时ꎬ其在故障诊断领域的应用也日益增多ꎮＣＮＮ在执行数据分类任务时ꎬ作为输入的数据集可分为一维数据和二维数据两类ꎮ如孙曙光等[６]提出的一维ＣＮＮ的低压万能式断路器附件故障诊断ꎻ肖雄等[７]的一种二维ＣＮＮ优化轴承故障诊断方法ꎮＷＵＹ等[８]对两种类型数据进行了比较ꎬ认为在已有的大多数ＣＮＮ模型中ꎬ二维图像数据更适用于神经网络的模型的训练ꎮ而如何将一维振动信号清晰地转化为二维图像数据ꎬ成为智能故障检测的重要难点ꎮ基于以上分析ꎬ笔者提出一种新的故障诊断方式ꎬ由格拉姆角差场(ＧＡＤＦ)时间序列编码方式[９]将一维时序数据转换为二维图像数据ꎬ并结合改进的ＣＮＮ模型进行预测ꎬ以达到高精度诊断的效果ꎮ１㊀格拉姆角差场图像编码转换ＧＡＤＦ图像编码的本质是通过格拉姆角场(ＧＡＦ)ꎬ将获取到的一维时序数据转化为二维图像数据的方法ꎻ将时间序列Ｘ缩放入区间[－１ꎬ１]ꎬ再将其极坐标化得到ｘꎮ其过程如下:ｘｉ－１＝ｘｉ－ｍａｘＸ()()＋ｘｉ－ｍｉｎＸ()()ｍａｘＸ()－ｍｉｎＸ()(１)θ＝ａｒｃｃｏｓｘｉ()ꎬ－１ɤｘｉɤ１ꎬｘｉɪＸｒ＝ｔｉ/ＮꎬｔｉɪＮ(２)经过上述变换过程ꎬ即可将一维时间序列数据转换为对称的带有颜色㊁点㊁线的对称特征图像ꎮ当ＧＡＦ基于正弦函数时生成格拉姆角差场(ＧＡＤＦ)ꎬ如下式所示:ＧＡＤＦ＝ｓｉｎ(θ１＋θ１) ｓｉｎ(θ１＋θｎ)⋮⋱⋮ｓｉｎ(θｎ＋θ１)ｓｉｎ(θｎ＋θｎ)éëêêêùûúúú(３)通过编码转化为二维图像ꎬＧＡＤＦ编码的示意图如图１所示ꎮ图１㊀ＧＡＤＦ编码示意图在图１中ꎬ当第一个波峰出现时ꎬ在两种特征图中出现颜色较浅的对称交叉线ꎻ而当峰值波动较大时ꎬ特征图中与其对应的对应交叉线其颜色更为明显ꎻ与此同时ꎬ其余较小的震动在ＧＡＤＦ特征图中也完整地表现出来ꎮ由此可见ꎬＧＡＤＦ可以将滚动轴承的震动信号完整地映射为二维特征图像ꎬ并作为ＣＮＮ模型的输出ꎮ２㊀卷积神经网络卷积神经网络(ＣＮＮ)是一种前馈式神经网络ꎬ其卷积层与池化层具有强大的数据特征提取能力ꎬ适用于处理图像与声音等网状结构数据ꎬ神经网络模型中滤波器通过对输入数据的迭代和分析来获得更多的有效特征和隐藏信息ꎻ同时结合稀疏式全连接和权重偏置的共享机制ꎬ在时间与空间上进行采样ꎬ降低了数据的复杂程度ꎬ相比其他神经网络结构类型减少了训练量ꎬ有效避免了算法过拟合ꎮＣＮＮ模型结构简图如图２所示ꎮ图２㊀ＣＮＮ模型结构简图２.１㊀卷积层卷积层是整个神经网络模型的核心所在ꎬ它通过对输入图像数据的卷积运算提取图像中的特征信息ꎮ卷积层的具体运算如下:ｘｌｊ＝ｆ(ðｉɪＭＪＸｌ－１Ｉ∗ｋｌｉｊ＋ｂｌｊ)(４)式中:ｆ 激活函数ꎻｌ 网络模型中的第ｌ层ꎻｘｌｊ 第ｌ层中的第ｊ个特征图像ꎻｋｌｉｊ 卷积核的权值ꎻｂｌｊ 运算所需的偏置ꎻＭＪ 输入模型的二维图像数据集ꎮ２.２㊀池化层池化层的主要目的是降低卷积层处理后的数据维度ꎮ因为卷积后的数据虽然具有了之前数据的特征信８８５ 机㊀㊀电㊀㊀工㊀㊀程第３８卷息ꎬ但是其特征维度也急剧增长ꎮ为了汇总特征平面的输出ꎬ通常采用两种池化方式ꎬ即平均池化与最大池化方式ꎮ其中ꎬ池化层的具体运算如下:ｘｌｊ＝ｆ(βｌｊｄｏｗｎ(ｘｌ－１ｊ＋ｂｌｊ))(５)２.３㊀全局池化层与传统的全连接层相比ꎬ全局池化层降低了运算的参数量ꎬ提高了模型的泛化能力ꎬ减少了过拟合情况的发生ꎮ与Ｄｒｏｐｏｕｔ[１０]相比ꎬ全局池化层提高了正则化效果ꎮ在现代卷积架构中ꎬ全局池化已经逐渐取代了Ｄｒｏｐｏｕｔ的位置ꎮ全局池化[１１]的核心思想是ꎬ将每张图片的所有特征值融合为一个特征值ꎬ实现张量的降维转换ꎬ使特征值的维数等于最后一层卷积层的数目ꎮ设最后层卷积层特征图大小为ｍｎꎬ其中第ｎ张特征图的值用ｘｌ()ｉｊ表示ꎬ则经过不同类型的全局池化操作后ꎬ该特征值ｙｌ()可以表示为:ｙｌ()＝ｍａｘ[ｘｌ()ｉｊ](６)ｙｌ()＝１ｍ∗ｎðｍｉ＝０ðｎｊ＝０ｘｌ()ｉｊ[](７)其中ꎬ式(６)代表的是最大全局池化ꎬ式(７)为全局平均池化ꎮ３㊀试验研究３.１㊀数据采集及编码为评估ＧＡＤＦ￣ＣＮＮ算法对滚动轴承故障智能诊断的有效性和准确性ꎬ此次采用的试验数据集为美国凯西储大学(ｃａｓｅｗｅｓｔｅｒｎｒｅｓｅｒｖｅｕｎｉｖｅｒｓｉｔｙꎬＣＷＲＵ)公开的深沟球轴承故障数据集ꎮ电机负载状态为１７９７ｒ/ｍｉｎ㊁１７７２ｒ/ｍｉｎ㊁１７５０ｒ/ｍｉｎ㊁１７９７ｒ/ｍｉｎ４种ꎬ故障分为外圈㊁内圈与流动体ꎻ采集频率为１２ｋＨｚꎬ采用传感器置于电机的驱动端的１２个位置进行采集ꎬ采集时长为１０ｓꎻ因传感器采集信号时ꎬ转轴每圈所采集到的采样点约为４００个ꎻ为确保数据集的稳定性ꎬ每种故障分类样本长度设置为５００个采样点ꎬ各２００个样本ꎮ本文选取１７９７ｒ/ｍｉｎ负载下ꎬ包括正常状态与１１种故障状态的共１２种情况作为数据集ꎬ分别由０~１１数字表示ꎬ取前８０％为训练集ꎬ输入已建立好的ＣＮＮ模型ꎻ其余为测试集对训练好的神经网络模型进行检验ꎮ二维故障图分类图如图３所示ꎮ３.２㊀卷积神经网络模型超参数优选超参数的选择决定了整个卷积神经网络模型在故图３㊀二维故障图分类图障诊断的精准度ꎬ通常ＣＮＮ中主要的超参数有卷积核㊁池化核㊁优化器㊁激活函数㊁学习率等ꎮ本次实验为了掌握不同超参数对ＣＮＮ模型图像处理性能的不同影响经过多次调参ꎬ确立了一种由３卷积层与双池化层穿插连接ꎬ采用全局池化层替代传统卷积层的神经网络模型ꎮ该模型搭建平台为ｔｅｎｓｏｒ￣ｆｌｏｗ２.０.０ＧＰＵ版ꎬ编译语言为Ｐｙｔｈｏｎ３.７.３ꎬ计算机ＣＰＵ为ｉ７㊁Ｗｉｎｄｏｗｓ１０ꎮ改进ＣＮＮ模型结构表如表１所示ꎮ表１㊀改进ＣＮＮ模型结构表模型参数卷积层Ｃ１池化层Ｓ２卷积层Ｃ３池化层Ｓ４全局池化层输出层数目６４６４６４６４６４１大小３∗３２∗２３∗３２∗２１１２３.２.１㊀激活函数的选择激活函数决定了ＣＮＮ模型非线性表达能力ꎬ而该激活函数通常根据经验来设置ꎮ但是这种方式随机性较大[１２]ꎮ为此本文选择了常用的３种常用的激活函数进行对比试验ꎮ３种常用的激活函数对比如表２所示ꎮ表２㊀激活函数对比表实验激活函数准确率训练时长１Ｒｅｌｕ０.９６３０.３５５２Ｓｉｇｍｏｉｄ０.５６３０.２６１３Ｔａｎｈ０.９４５０.３２㊀㊀由表２可以看出:实验１准确率最高ꎬ虽然在训练用时方面用时最长ꎬ但为保证模型的准确度ꎬ在改进神经网络模型中ꎬ本文选用Ｒｅｌｕ激活函数ꎮ３.２.２㊀优化器的选择在优化器选择实验中继续采用表１中的基准模型参数设置ꎬ该实验的卷积层采用Ｒｅｌｕ激活函数ꎮ该实９８５ 第５期刘红军ꎬ等:基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究验对目前最常用的ＳＧＤꎬＲＭＳＰｒｏｐ和Ａｄａｍ共３种优化器进行测试ꎮ当学习速率为０.０００１和０.００１时ꎬＡｄａｍ与ＲＭ￣ＳＰｒｏｐ的准确率远高于ＳＧＤꎻ而当学习速率升高时ꎬＲＭＳＰｒｏｐ准确率急剧下降ꎬＡｄａｍ优化器准确率依然稳定在９７％左右ꎮ为此ꎬ本文选用Ａｄａｍ小批量迭代优化器ꎮ优化器准确率对比图如图４所示ꎮ图４㊀优化器准确率对比图４㊀结果分析４.１㊀改进的ＣＮＮ模型评估为对ＧＡＤＦ图像编码下改进的ＣＮＮ算法的准确性进行有效的评估ꎬ本文引用精确率与召回率作为评测指标ꎮ其中ꎬ精确率是指预测结果中符合该类故障的样本占结果总体的占有率ꎻ召唤率是指该类型故障真实样本中被成功预测的样本占类型总体的占有率ꎮ其具体数学表达式如下:Ｐ＝ＴＰ/(ＴＰ＋ＦＰ)Ｒ＝ＴＰ/(ＴＰ＋ＦＮ)Ｆ１＝２ＴＰ/(２ＴＰ＋ＦＰ＋ＦＮ)ìîíïïï(８)式中:Ｐ 精确率ꎻＲ 召回率ꎻＴＰ 预测类型与其真实类型相符ꎻＦＰ 预测类型为真ꎬ但实际类型为假ꎻＦＮ 实际类型为真ꎬ但预测结果为假ꎻＦ１ 精确率与召回率的调和均值ꎮ根据改进的ＣＮＮ的实验结果ꎬ并按公式计算得到的精确率和召回率ꎬ如表３所示ꎮ表３㊀改进ＣＮＮ模型诊断结果表故障序号精准率召回率Ｆ１调和均值样本０１.００００１.００００１.００００４０１０.９７５００.９７５００.９７５０４０２１.００００１.００００１.００００４０３０.９７４４０.９５０００.９６２０４０(续表)故障序号精准率召回率Ｆ１调和均值样本４１.００００１.００００１.００００４０５０.９７５６１.０００００.９８７７４０６１.０００００.９７５００.９８７３４０７１.０００００.９７５６０.９８７７４０８０.９７５０１.０００００.９８７３４０９０.９５１２０.９７５００.９６３０４０１００.９７５００.９７５００.９７５０４０１１１.００００１.００００１.００００４０平均值/总数０.９８５５０.９８５４０.９６６７４８０㊀㊀为了更深一层地了解改进ＣＮＮ模型的故障判别情况ꎬ笔者引入了多分类混淆矩阵对故障结果进行全面分析ꎻ其根据故障的不同等级ꎬ样本的真实值与预测值ꎮ故障被误判为何种类型故障等信息如图５所示ꎮ图５㊀混淆矩阵量化图由图５可知:在４８０份测试集样本中ꎬ含有７个误测样本ꎬ分别为:将标号１类微小故障判断为标号９类轻型故障ꎻ将标号３类轻微故障判断为标号９类轻型故障和７类显著故障ꎻ将标号６类轻型故障判断为标号１０类轻型故障ꎻ将标号８类中度故障判断为标号５类显著故障ꎻ将标号９类轻型故障判定为标号３类轻微故障ꎻ将标号１０类轻型故障判定为标号１类微小故障ꎮ通过分析以上故障类型可以发现ꎬ故障误诊类型多为轻型故障ꎬ误诊为中大型故障或同级故障类别发生错判ꎬ具有一定的预警作用ꎬ改进后的ＣＮＮ模型在正常０㊁故障２㊁４和１１的情况下诊断准确率为１００％ꎬ说明这类故障特征较为明显ꎬ对旋转设备的危害最大ꎮ经过试验验证可知ꎬ该算法综合故障识别率达９８.５５％ꎬ对滚动轴承中的ＧＡＤＦ编码图像具有精准的识别能力和优越的诊断能力ꎮ４.２㊀对比分析为验证笔者提出的诊断方法的先进性与优越性ꎬ０９５ 机㊀㊀电㊀㊀工㊀㊀程第３８卷本文引用格式:刘红军ꎬ魏旭阳.基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究[Ｊ].机电工程ꎬ２０２１ꎬ３８(５):５８７￣５９１ꎬ６２２.ＬＩＵＨｏｎｇ￣ｊｕｎꎬＷＥＩＸｕ￣ｙａｎｇ.ＲｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＧＡＤＦａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒ￣ｉｎｇꎬ２０２１ꎬ３８(５):５８７￣５９１ꎬ６２２.«机电工程»杂志:ｈｔｔｐ://ｗｗｗ.ｍｅｅｍ.ｃｏｍ.ｃｎ此处将ＧＡＤＦ￣ＣＮＮ算法与其余３种主流的智能故障诊断算法进行比较ꎮ３种主流智能故障诊断算法分别为ＢＰＮＮ㊁ＳＡＥ和ＳＶＭ[１３￣１５]智能算法ꎮ笔者将二维图像数据测试集按０~１１故障诊断序号共１２种情况ꎬ输入进其余智能算法模型进行训练ꎮ智能算法的对比图如图６所示ꎮ图６㊀智能算法对比图由图６可以看出:ＢＰ神经网络模型(ＢＰＮＮ)与支持向量机(ＳＶＭ)的准确率一直维持在９０％以下ꎬ准确率较低ꎻ而堆栈自动编码器(ＳＡＥ)的准确率略低于ＧＡＤＦ￣ＣＮＮꎮ由此可见ꎬ改进的ＣＮＮ模型更适用与对ＧＡＤＦ编码图像数据的处理ꎮ详细的准确率如表４所示ꎮ表４㊀详细的准确率故障序号ＢＰＮＮＳＶＭＳＡＥＧＡＤＦ￣ＣＮＮ０８７.５％９２.５％９５％１００％１８５％８７.５％９２.５％９７.５５％２８２.５％９０％９０％１００％３７８.５％８７.５％９５％９５％４８５％９２.５％９７.５％１００％５８７.５％９０％９５％１００％６８２.５％８５％９２.５％９７.５％７８５％８７.５％９５％１００％８８２.５％８７.５％９５％９７.５％９８５％８５％８７.５％９７.５％１０８０％８７.５％９５％９７.５％１１８２.５％９０％９０％１００％平均值/总数８３.６３％８８.５４％９３.３３％９８.５５％５㊀结束语为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势ꎬ笔者提出了一种新的故障诊断方式ꎬ即格拉姆角差场(ＧＡＤＦ)结合改进卷积神经网络(ＣＮＮ)的智能故障诊断模型ꎬ并结合改进的ＣＮＮ模型对滚动轴承故障进行了预测ꎬ达到了高精度诊断的效果ꎮ与其他智能诊断算法相比ꎬＧＡＤＦ￣ＣＮＮ具有以下优势:(１)在对诊断信号的特征提取方面ꎬ相比其他算法的一维时序输入或模态分解等方法ꎬ采用领先的格拉姆角差场法将诊断信号转化为具有有效特征的二维图像ꎬ对诊断信号的特征提取更为全面ꎬ同样也更适合ＣＮＮ(卷积神经网络)的训练与测试ꎻ(２)在卷积神经网络模型的搭建方面ꎬ与其他智能算法的诊断相比ꎬ由于输入数据转化为真正的二维图像ꎬ使得卷积神经网络强大的线性表达能力可以全面地发挥出来ꎬ为此改进ＣＮＮ模型添加了全局池化层㊁Ａｄａｍ优化器㊁交叉熵损失函数等先进的超参数ꎬＧＡＤＦ￣ＣＮＮ算法鲁棒性和泛化能力ꎮ本文的算法已经可以在不同电机负载状态下ꎬ对来自于电机驱动端的振动信号做出有效诊断ꎮ但由于数据库的有限性ꎬ本文没有获取数据库以外的滚动轴承数据进行诊断ꎬ该算法仍然存在一定的局限性ꎮ获取数据库以外的数据将成为笔者进行下一步实验研究的重点ꎮ参考文献(Ｒｅｆｅｒｅｎｃｅｓ):[１]㊀许㊀凯ꎬ许黎明ꎬ周大朝ꎬ等.基于Ｓｔｏｃｋｗｅｌｌ变换的滚动轴承故障诊断方法[Ｊ].机械制造ꎬ２０１９ꎬ５７(４):９８￣１０２.[２]㊀杨㊀宇ꎬ于德介ꎬ程军圣.基于ＥＭＤ与神经网络的滚动轴承故障诊断方法[Ｊ].振动与冲击ꎬ２００５ꎬ２４(１):８５￣８８.[３]㊀刘㊀韬ꎬ陈㊀进ꎬ董广明.ＫＰＣＡ和耦合隐马尔科夫模型在轴承故障诊断中的应用[Ｊ].振动与冲击ꎬ２０１４ꎬ３３(２１):８５￣８９.[４]㊀张㊀鑫ꎬ郭顺生ꎬ李益兵ꎬ等.基于拉普拉斯特征映射和深度置信网络的半监督故障识别[Ｊ].机械工程学报ꎬ２０２０ꎬ５６(１):６９￣８１.(下转第６２２页)１９５ 第５期刘红军ꎬ等:基于ＧＡＤＦ与卷积神经网络的滚动轴承故障诊断研究(５￣８):３１３９￣３１４６.[６]㊀ＢＥＨＺＡＤＦꎬＷＡＹＮＥＳＦꎬＧＬＡＤＩＵＳＬꎬｅｔａｌ.Ａｒｅｖｉｅｗｏｎｍｅｌｔ￣ｐｏｏｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎｌａｓｅｒｗｅｌｄｉｎｇｏｆｍｅｔａｌｓ[Ｊ].Ａｄ￣ｖａｎｃｅｓｉｎＭａｔｅｒｉａｌｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬ２０１８(３２):１￣１８.[７]㊀ＷＬＯＤＡＲＣＺＹＫＫＬꎬＣＡＲＴＥＲＲＭꎬＪＡＨＡＮＢＡＫＨＳＨＡꎬｅｔａｌ.Ｒａｐｉｄｌａｓｅｒｍａｎｕｆａｃｔｕｒｉｎｇｏｆｍｉｃｒｏｆｌｕｉｄｉｃｄｅｖｉｃｅｓｆｒｏｍｇｌａｓｓｓｕｂｓｔｒａｔｅｓ[Ｊ].Ｍｉｃｒｏｍａｃｈｉｎｅｓꎬ２０１８ꎬ９(８):４０９. [８]㊀ＷＡＮＧＨꎬＫＡＷＡＨＩＴＯＹꎬＹＯＳＨＩＤＡＲꎬｅｔａｌ.Ａｍｏｄｅｌｔｏｃａｌｃｕｌａｔｅｔｈｅｌａｓｅｒａｂｓｏｒｐｔｉｏｎｐｒｏｐｅｒｔｙｏｆａｃｔｕａｌｓｕｒｆａｃｅ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＨｅａｔａｎｄＭａｓｓＴｒａｎｓｆｅｒꎬ２０１８(１１８):５６２￣５６９.[９]㊀ＨＡＳＳＡＮＩＭＡＴＩＮＭꎬＴＡＶＡＳＳＯＬＩꎬＳＨꎬＮＯＳＲＡＴＩＹꎬｅｔａｌ.Ａｃｏｍｂｉｎａｔｉｏｎｏｆｅｌｅｃｔｒｉｃａｌｓｐａｒｋａｎｄｌａｓｅｒ￣ｉｎｄｕｃｅｄｂｒｅａｋｄｏｗｎｓｐｅｃｔｒｏｓｃｏｐｙｏｎａｈｅａｔｅｄｓａｍｐｌｅ[Ｊ].ＰｈｙｓｉｃｓｏｆＰｌａｓｍａｓꎬ２０１９ꎬ２６(３):０３３３０３.[１０]㊀ＥＮＧＬＥＲＯꎬＪüＲＧＥＮＨ.Ｔｅｘｔｕｒｅｃｏｎｔｒｏｌｂｙｔｈｅｒｍｏｍｅ￣ｃｈａｎｉｃａｌｐｒｏｃｅｓｓｉｎｇｏｆＡＡ６ｘｘｘＡｌ￣Ｍｇ￣Ｓｉｓｈｅｅｔａｌｌｏｙｓｆｏｒａｕｔｏｍｏｔｉｖｅａｐｐｌｉｃａｔｉｏｎｓ ａｒｅｖｉｅｗ[Ｊ].ＭａｔｅｒｉａｌｓＳｃｉｅｎｃｅ＆ＥｎｇｉｎｅｅｒｉｎｇＡꎬ２００２ꎬ３３６(１￣２):２４９￣２６２.[１１]㊀ＬＵＯＦꎬＯＮＧＷꎬＧＵＡＮＹꎬｅｔａｌ.Ｓｔｕｄｙｏｆｍｉｃｒｏ/ｎａｎｏ￣ｓｔｒｕｃｔｕｒｅｓｆｏｒｍｅｄｂｙａｎａｎｏｓｅｃｏｎｄｌａｓｅｒｉｎｇａｓｅｏｕｓｅｎｖｉ￣ｒｏｎｍｅｎｔｓｆｏｒｓｔａｉｎｌｅｓｓｓｔｅｅｌｓｕｒｆａｃｅｃｏｌｏｒｉｎｇ[Ｊ].ＡｐｐｌｉｅｄＳｕｒｆａｃｅＳｃｉｅｎｃｅꎬ２０１８(１００):５７￣７４.[１２]㊀ＹＡＮＧＫＣꎬＷＡＮＧＷＪꎬＸＩＡＯＴＹꎬｅｔａｌ.Ｌａｓｅｒｐｏｌｉｓ￣ｈｉｎｇｏｆａｄｄｉｔｉｖｅｍａｎｕｆａｃｔｕｒｅｄＣｏＣｒｃｏｍｐｏｎｅｎｔｓｆｏｒｃｏｎｔｒｏｌ￣ｌｉｎｇｔｈｅｉｒｗｅｔｔａｂｉｌｉｔｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓ[Ｊ].ＳｕｒｆａｃｅａｎｄＣｏａｔｉｎｇＴｅｃｈｎｏｌｏｇｙꎬ２０１８(３５１):８９￣９８.[编辑:雷㊀敏]本文引用格式:姜长城ꎬ袁建东ꎬ成海东ꎬ等.热辅助纳秒脉冲激光抛光试验研究[Ｊ].机电工程ꎬ２０２１ꎬ３８(５):６１７￣６２２.ＪＩＡＮＧＣｈａｎｇ￣ｃｈｅｎｇꎬＹＵＡＮＪｉａｎ￣ｄｏｎｇꎬＣＨＥＮＨａｉ￣ｄｏｎｇꎬｅｔａｌ.Ｅｘｐｅｒｉｍｅｎｔｏｎｔｈｅｒｍａｌｌｙａｓｓｉｓｔｅｄｎａｎｏｓｅｃｏｎｄｐｕｌｓｅｄｌａｓｅｒｐｏｌｉｓｈｉｎｇ[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０２１ꎬ３８(５):６１７￣６２２.«机电工程»杂志:ｈｔｔｐ://ｗｗｗ.ｍｅｅｍ.ｃｏｍ.ｃｎ(上接第５９１页)[５]㊀徐华建.基于神经网络与混合结构声学特征的语音识别研究[Ｄ].武汉:华中科技大学电子信息与通信学院ꎬ２０１７. [６]㊀孙曙光ꎬ李㊀勤ꎬ杜太行ꎬ等.基于一维卷积神经网络的低压万能式断路器附件故障诊断[Ｊ].电工技术学报ꎬ２０２０ꎬ３５(１２):２５６２￣２５７３.[７]㊀肖㊀雄ꎬ王健翔ꎬ张勇军ꎬ等.一种用于轴承故障诊断的二维卷积神经网络优化方法[Ｊ].中国电机工程学报ꎬ２０１９ꎬ３９(１５):４５５８￣４５６８.[８]㊀ＷＵＹꎬＹＡＮＧＦꎬＬＩＵＹꎬｅｔａｌ.Ａｃｏｍｐａｒｉｓｏｎｏｆ１￣Ｄａｎｄ２￣ＤｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｉｎＥＣＧｃｌａｓｓｉｆｉｃａｔｉｏｎ[Ｃ].ＩＥＥＥＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃｉｎｅａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙꎬＨａｗａｉｉꎬＵＳＡ:ＩＥＥＥꎬ２０１８.[９]㊀ＺＨＡＮＧＧꎬＳＩＹꎬＷＡＮＧＤꎬｅｔａｌ.Ａｕｔｏｍａｔｅｄｄｅｔｅｃｔｉｏｎｏｆｍｙｏｃａｒｄｉａｌｉｎｆａｒｃｔｉｏｎｕｓｉｎｇａｇｒａｍｉａｎａｎｇｕｌａｒｆｉｅｌｄａｎｄｐｒｉｎ￣ｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｎｅｔｗｏｒｋ[Ｊ].ＩＥＥＥＡｃｃｅｓｓꎬ２０１９ꎬ７(９９):１７１５７０￣１７１５８３.[１０]㊀ＨＩＮＴＯＮＧＥꎬＳＲＩＶＡＳＴＡＶＡＮꎬＫＲＩＺＨＥＶＳＫＹＡꎬｅｔａｌ.Ｉｍｐｒｏｖｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓｂｙｐｒｅｖｅｎｔｉｎｇｃｏ￣ａｄａｐｔａｔｉｏｎｏｆｆｅａ￣ｔｕｒｅｄｅｔｅｃｔｏｒｓ[Ｊ].ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅꎬ２０１２ꎬ３(４):２１２￣２２３. [１１]㊀ＬＩＮＭꎬＣＨＥＮＱꎬＹＡＮＳ.Ｎｅｔｗｏｒｋｉｎｎｅｔｗｏｒｋ[Ｃ].Ｃｏｍ￣ｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ(ＩＣＬＲ).Ｂａｎｆｆ:[ｓ.ｎ.]ꎬ２０１４.[１２]㊀ＳＨＡＯＨꎬＪＩＡＮＧＨꎬＬＩＮＹꎬｅｔａｌ.Ａｎｏｖｅｌｍｅｔｈｏｄｆｏｒｉｎ￣ｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｕｓｉｎｇｅｎｓｅｍ￣ｂｌｅｄｅｅｐａｕｔｏ￣ｅｎｃｏｄｅｒｓ[Ｊ].ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓａｎｄＳｉｇ￣ｎａｌＰｒｏｃｅｓｓｉｎｇꎬ２０１８(１０２):２７８￣２９７.[１３]㊀卫洁洁ꎬ杨喜旺ꎬ黄晋英ꎬ等.基于深度神经网络的滚动轴承故障诊断[Ｊ].组合机床与自动化加工技术ꎬ２０１７(１１):８８￣９１.[１４]㊀陈晓平ꎬ和卫星ꎬ马东玲ꎬ等.基于符号熵与支持向量机的滚动轴承故障诊断[Ｊ].中国机械工程ꎬ２０１０ꎬ２１(１７):２０７９￣２０８２.[１５]㊀侯荣涛ꎬ周子贤ꎬ赵晓平ꎬ等.基于堆叠稀疏自编码的滚动轴承故障诊断[Ｊ].轴承ꎬ２０１８(３):４９￣５４ꎬ６０.[编辑:李㊀辉]２２６ 机㊀㊀电㊀㊀工㊀㊀程第３８卷。
基于时频分析与深度学习的滚动轴承故障诊断方法研究
基于时频分析与深度学习的滚动轴承故障诊断方法研究基于时频分析与深度学习的滚动轴承故障诊断方法研究摘要：滚动轴承作为重要的机械传动元件之一，在各类设备和机械系统中起着至关重要的作用。
然而，由于工作环境、负载和其他因素的影响，滚动轴承容易出现故障，严重影响设备的运行稳定性和寿命。
因此，本文针对滚动轴承故障诊断问题，提出了一种基于时频分析与深度学习相结合的方法。
首先，利用时频分析技术提取轴承振动信号的有效特征，包括时域特征和频域特征。
然后，使用卷积神经网络（CNN）进行特征学习和分类，实现对滚动轴承不同故障状态的准确鉴别和诊断。
最后，通过实验验证该方法的有效性和性能。
1. 引言滚动轴承广泛应用于各类机械设备和系统中，如发动机、电机、风电装备、汽车、航空航天等。
滚动轴承的运行状态直接影响设备的性能和寿命。
因此，对滚动轴承的故障进行准确和及时的诊断显得尤为重要。
目前，滚动轴承的故障诊断方法主要包括可变参数滤波器、时频分析、机器学习等。
其中，时频分析由于其对信号的局部特征扩展性强和对非线性和多尺度特性的适应性较好，被广泛应用于滚动轴承故障诊断领域。
然而，由于传统时频分析方法对特征提取的约束和困难，其故障识别和诊断的准确率有限。
为了提高滚动轴承故障诊断的准确性和实时性，本文引入了深度学习算法，利用其对大数据的自学习和特征提取能力进行滚动轴承故障诊断和状态判别。
2. 时频分析与特征提取时频分析是一种将信号在时域和频域上相结合的方法，能够较好地反映信号在时间和频率上的变化特性。
本文采用短时傅里叶变换（STFT）对轴承振动信号进行时频分析，将其转换为时频谱图。
通过对时频谱图进行分析，提取出信号的时域特征和频域特征。
时域特征包括均值、方差、峰值因子等，用于描述信号振动的稳定性、幅值和峰值信息。
频域特征包括频率特征、能量特征和谱形特征等，用于描述信号的频率分布、频率特性和频域结构。
3. 卷积神经网络模型卷积神经网络（CNN）是一种经典的深度学习算法，具有优秀的特征学习和分类能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１引言滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，也是最易损坏的元件之一，它的运行状态是否正常往往直接影响到整台机器的性能。
据不完全统计，旋转机械的故障约３０％是因滚动轴承引起的。
由此可见滚动轴承故障诊断工作的重要性。
共振解调技术是处理机械冲击引起的高频响应信号的有效方法。
当机械故障引起等间隔的高频冲击脉冲响应信号时，进行高频带通滤波后的信号进行包络处理；对包络信号进行特征提取，可诊断滚动轴承的故障。
人工神经网络技术因其突出的优势受到了越来越广泛的关注，为故障诊断技术开辟了一条新途径。
ＡＮＮ是对人脑或自然的神经网络若干基本特性的抽象和模拟，是一种非线性的动力学系统。
它具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力。
本文将共振解调与神经网络结合起来，对轴承振动信号进行共振解调处理，在共振解调的包络信号中提取所需的轴承故障的特征，并将其作为神经网络输入，利用神经网络进行轴承各种故障的模式识别，实现轴承诊断的智能化，提高轴承诊断的准确性和可靠性。
２共振解调技术当轴承出现局部损伤时，运行过程中要撞击与之配合的元件表面，将产生脉冲力。
由于冲击脉冲力的频带很宽，必然覆盖监测部件的固有频率，从而激起系统的高频固有振动。
根据实际情况，可选择某一高频固有振动作为研究对象，通过中心频率等于该固有频率的带通滤波器把该固有振动分离出来。
利用Ｈｉｌｂｅｒｔ变换进行包络解调，去除高频衰减振动的频率成分，得到只包含故障特征信息的低频包络信号，对这一包络信号进行频谱分析便可提取滚动轴承的故障信息。
故障的包络信号频谱具有“没有故障就没有谱线”、“有故障则出现多阶谐波谱线”等规律。
基本原理如图１所示。
基于共振解调与神经网络的滚动轴承故障智能诊断第３３卷第２期２００７年３月中国测试技术ＣＨＩＮＡＭＥＡＳＵＲＥＭＥＮＴＴＥＣＨＮＯＬＯＧＹＶｏｌ．３３Ｎｏ．２Ｍａｒ．２００７刘建文，傅攀，任玥，高龙（西南交通大学机械工程学院，四川成都６１００３１）摘要：介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。
对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。
实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。
关键词：滚动轴承；共振解调；包络信号；神经网络；智能诊断中图分类号：ＴＨ８７９文献标识码：Ａ文章编号：１６７２－４９８４（２００７）０２－００１３－０３ＬＩＵＪｉａｎ－ｗｅｎ，ＦＵＰａｎ，ＲＥＮＹｕｅ，ＧＡＯＬｏｎｇ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ）ＩｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｄｅｍｏｄｕｌａｔｅｄｒｅｓｏｎａｎｃｅｔｅｃｈｎｉｑｕｅａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｓＡｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｄｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｄｅｍｏｄｕｌａｔｅｄｒｅｓｏｎａｎｃｅｔｅｃｈｎｉｑｕｅａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋ．Ａｆｔｅｒｄｅｍｏｄｕｌａｔｉｎｇｒｅｓｏｎａｎｃｅｐｒｏｃｅｓｓｉｎｇｔｏｒｏｌｌｉｎｇｂｅａｒｉｎｇ’ｓｖｉｂｒａｎｔｓｉｇｎａｌｗｈｉｃｈｗａｓｇｏｔｆｒｏｍｔｈｅｓｙｓｔｅｍｏｆｄａｔａａｃｑｕｉｓｉｔｉｏｎ，ｔｈｅａｕｔｈｏｒｓｃａｎｐｉｃｋｕｐｔｈｅｎｅｅｄｉｎｇｒｏｌｌｉｎｇｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｅｎｖｅｌｏｐｅｓｉｇｎａｌｂａｓｅｄｔｈｅｌａｗｔｈａｔｔｈｅｆａｕｌｔｅｎｖｅｌｏｐｅｓｐｅｃｔｒｕｍｈａｖｅｈａｒｍｏｎｙｗａｖｅｓｐｅｃｔｒｕｍ．Ｉｎｐｕｔｔｈｅｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｔｏｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｉｄｅｎｔｉｆｙａｌｌｋｉｎｄｓｏｆｆａｕｌｔｓｔａｔｅｏｆｔｈｅｒｏｌｌｉｎｇｂｅａｒｉｎｇｔｈｒｏｕｇｈｎｅｕｒａｌｎｅｔｗｏｒｋ，ｗｈｉｃｈｃａｎｉｍｐｌｅｍｅｎｔｔｈｅｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ．Ｋｅｙｗｏｒｄｓ：Ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；Ｄｅｍｏｄｕｌａｔｅｄｒｅｓｏｎａｎｃｅｔｅｃｈｎｉｑｕｅ；Ｅｎｖｅｌｏｐｅｓｉｇｎａｌ；Ｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｆａｕｌｔｄｉａｇｎｏｓｉｓ收稿日期：２００６－０８－２１；收到修改稿日期：２００６－１１－０５作者简介：刘建文（１９８２－），男，硕士研究生，主要从事智能状态监测与故障诊断研究。
２００７年３月中国测试技术但轴承振动信号一般是在轴承座附近测取，如此测得的振动信号常常混有大量的噪声，且受传输途径的影响。
包络信号及其频谱较复杂，尤其是多处故障同时发生，复杂程度明显加大，给故障诊断带来很大的困难。
３人工神经网络人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程以反映人脑某些特征的计算结构。
神经网络的模型很多，在故障诊断领域中常用的是ＢＰ神经网络。
标准ＢＰ网络由三层神经元组成，包含输入层、隐含层、输出层。
同一层神经元互不相连，不同神经元层之间相互连接。
ＢＰ网络算法由模式正向传播和误差逆向传播两个阶段组成。
数据信号从输入层输入，经隐层处理后再到输出层输出。
实际输出与期望输出相比较得到网络的输出误差，误差信号沿网络逆向传播，并按误差函数的负梯度方向不断地修正各层的连接权值和阈值，使得误差信号最终达到精度要求，从而实现输入输出的非线性映射。
神经网络模型见图２。
正向传播过程如下：设第ｋ个样本输入向量Ｘｋ＝（ｘｋ１，ｘｋ２，…，ｘｋＬ）得到隐层的第ｊ个节点的输出ｙｊ为：ｙｊ＝ｆ（Ｌｉ＝１!Ｗｊｉｘｋｉ＋θｊ）式中：ｆ———Ｓｉｇｍｏｉｄ函数；Ｌ———输入层神经元数；Ｗｊｉ———输入层到隐层连接权值；ｘｋｉ———第ｋ个样本的输入；θｊ———输入层第ｊ个神经元域值。
输出层的第ｒ个节点的输出Ｏｒ为：Ｏｒ＝ｆ（Ｍｊ＝１!Ｗｒｊｙｊ＋θｒ）式中：Ｍ———隐层神经元数；Ｗｒｊ———隐层到输出层的连接权值；θｒ———隐层第ｊ个神经元域值。
逆向传播过程如下：设有Ｌ对学习样本（Ｘｋ，Ｏｋ）（Ｋ＝１，２，…，１），实际输出Ｙｋ与要求输出Ｏｋ的均方差为：Ｅｋ＝１２ｍｐ!（Ｙｋ，ｐ－Ｏｋ，ｐ）２样本集总误差为：Ｅ＝ｌｋ＝１!Ｅｋｍ———输出层单元数。
沿着误差函数负梯度方向修改权值使网络收敛，输出层的权值修改ΔＷｒｊ为：ΔＷｒｊ＝"Ｅ（ｔ）Δ"Ｗｒｊ（ｙ）＝－［Ｏ′ｒ（ｔ）－Ｏｒ（ｔ）］Ｏｒ（ｔ）［１－Ｏｒ（ｔ）#$］ｙｉ（ｔ）式中：Ｅ（ｔ）———误差函数；Ｏｒ（ｔ）———期望输出。
所以得到修改后的输出层权值为：Ｗｒｊ（ｔ＋１）＝Ｗｒｊ（ｔ）－ηΔＷｒｊ式中：η－－步长，经验值。
同理求得隐层的权值修改为ΔＷｒｊΔＷｒｊ＝"Ｅ（ｔ）"Ｗｊｉ（ｔ）＝－ｙｊ（ｔ）・［１－ｙｊ（ｔ）%&］ｘｋｉ（ｔ）・（ｒ!δｒＷｒｊ）式中：δｒ———第ｒ个节点对输出误差函数Ｅ（ｔ）的灵敏度。
又得到修改后的隐层权值为：Ｗｊｉ（ｔ＋１）＝Ｗｊｉ（ｔ）－ηΔＷｊｉ４轴承故障诊断实例４．１利用实验设备获取轴承故障信号并进行共振解调处理实验硬件部分包括电机（ＹＴ８０２－４）、变频器（ＣＶＦ－Ｓ１）、联轴器、轴承座、轴承（６２０８）、磁粉制动器（ＦＺＪ５）、底座、压电加速度传感器（ＥＤ－３２）、电荷放大器、数据采集卡（研华ＰＣＩ－１７１１）。
传感器置于轴承座上，经电荷放大器及采集卡获取振动信号。
１４第３３卷第２期目标输出实际输出正常状态样本１０００１．０１７５０．０１６１０．００３００．００１７１０００１．０１１３０．００９９０．００３９０．００１０１０００１．０１１８０．００６６０．０００９０．００２８１００００．９７４００．００３４０．０２６６０．０００６１００００．９９８９０．００３３０．００３６０．０００５１０００１．０１７７０．０１３８０．０００８０．０００４检验１０００１．０１８３０．０１５１０．００１２０．０００３１０００１．００５９０．００８００．００２７０．０００５轻度磨损样本０１０００．００６９１．００５８０．０２１００．０２１９０１０００．００７１０．９８４１０．０２０３０．００２００１０００．００６３０．９９１１０．０１２８０．００２６０１０００．００７４１．０１６００．００９２０．０００５０１０００．００５７１．０１７１０．０２９６０．００４７０１０００．００１８０．９５１９０．０４０２０．００４４检验１００００．００７５１．０３３３０．０１４１０．０１２３１００００．００４９１．０１９６０．０１６１０．０００８中度磨损样本００１００．０００６０．０２６２０．９８６４０．０１４１００１００．０００５０．０１７１０．９５７２０．０５９４００１００．０００６０．０２５７０．９８４２０．００３１００１００．００１１０．０１９０１．０２６９０．００９３００１００．０００４０．０００２０．９８１２０．０１６５００１００．００１２０．０１８８１．０２４６０．００５７检验００１００．００１００．０１８９１．０２７８０．０１０３００１００．００１９０．０１１８１．０１８９０．００５７严重磨损样本０００１０．００１７０．００２１０．０１９０１．０１３４０００１０．００２２０．００６１０．０３９３１．０４６１０００１０．００２３０．０００８０．００６０１．００３７０００１０．００２９０．０００６０．０００９０．９９８８０００１０．０００７０．００１９０．０２６２１．０２６３０００１０．００４００．００３８０．０２０７０．９７００检验０００１０．００２４０．０００７０．００４７１．００２９０００１０．０１９４０．００６６０．０１５７１．０１９９表１部分训练样本及检验样本的输出软件部分利用ＭＡＴＬＡＢ程序编写实现。
将获取的振动信号进行共振解调处理，经带通滤波、Ｈｉｌｂｅｒｔ变换、频谱分析后得到神经网络所需的特征信息。
４．２提取特征参数能否有效的选择特征参数对网络的训练结果有较大的影响。
本实验在共振解调处理之后的包络信号中提取以下几个参数作为神经网络的输入量：时域内的波形因子Ｓ、峭度因子Ｋ、频域内的故障特征频率幅值Ｐｏ（外圈）、Ｐｉ（内圈）、Ｐｂ（滚珠）这五个特征向量。