11滾動軸承故障診斷中的智能算法比較研究國西儲大學軸承數據中心1。關鍵詞：卷積神經網絡；滾動軸承；故障分析；深度學習第一章引言 2 21.2軸承故障診斷歷史 31.3軸承故障診斷方法研究現狀 4 5 6 72.1滾動軸承的結構 72.1.1滾動軸承的特性 72.1.2滾動軸承的基本特點 82.2滾動軸承的地位與作用 92.3滾動軸承的負荷與壽命 3.1卷積神經網絡的基本結構 3.2卷積神經網絡的傳導過程 224.1實驗裝置介紹 4.2實驗結果與分析 第一章引言的作用，特別是作為機械設備領域中的關鍵旋轉設備(李明宇，張浩然，2022)。密切關系。這種軸承的特征表現為摩擦小，效率高，潤滑方便等優點[2,目前在重的生命財產損失，導致重大傷亡?-6,引起各種嚴重的社會不滿(王思遠，趙子逸，2023)。效的可能性增加。統計分析發現大約有20%的齒輪箱故障都和軸承失效有關9。 年11月，蘭州鐵路局1479次火車出軌事故導致很多人員傷亡，調查結果發現其慮引發嚴重的共振。最后，所有機組被摧毀。損失高達50億日元11。2011年地致扶梯滑落。事故中有一人死亡，多人受傷。2006年，安陽鋼鐵公司吐絲機軸33方法，而有效的預防事故出現(陳逸飛，劉俊杰，2021)。旋轉機械由于經常作為動力傳遞動能，憑這些跡設備狀態。在各種旋轉機械設備中[121,滾動軸承發揮重要作用，其和設備安全運行存在密切關系，將旋轉零件連接起來而為設備運行提供支持(孫博宇，周澤楷，2021)。由此可以推知滾動軸承通常在高溫、變速環境中工作。另外，諸如加工誤差、不對中、潤滑不良等外部因素也會使軸承表面受到不同程度地損機械設備故障診斷相關的研究起步于上個世紀60年代，阿波羅計劃由于機學探究，并將結果運用到了諸多能源領域(鄭明哲，黃俊熙，2023)。本文研究產帶來一定的安全保障。上世紀70年代，日本高校、研究機構及部分企業開始現如今，隨著“智能維護系統(IMS)中心”的成立，美國密歇根大學在故障領域 與發達國家相比，我國在該領域發展起步較晚。最早源于上個世紀80年代44的首屆設備診斷技術大會。隨著我國加大故障診斷領域的研究力度，與此相關的成果也大量出現，在實際應用中取得良好的效果(郭子瑜，梁俊逸，2020)[181。基于已有成果可推導出相關結果清華學者在研究過程中具體分析了風機設備的故障診斷問題，且制定出與此相關的方案，在應用過程中取得良好效果。上海交大則設置國家級重點實驗室進行故障診斷和檢測相關研究(謝思遠，程宇墨，2019)。近些年來，我國在工程中開始廣泛的應用故障診斷相關技術，在應用中取得良好的效果。如對環境惡劣條件下的振動信號采集后進行綜合分析，而確定出設備故障相關情況；北京化工大學提出了機械故障自愈理論(韓逸飛，曹俊杰，為當前機械故障診斷領域主流方法。其中，按照該理論框架進行細致研究可得出振動信號分析法最為流行。但由于目前機械設備的一體化程度較高，導致零部件之間振動信號耦合嚴重。當軸承故障情況下對應的信號也出現明顯變化，開始變得非平穩且非線性(彭博宇，曾澤楷，2022)[26.27]。因此，對軸承進行故障診斷，從頻率復雜的振動信號中提取目標信號是此方面的研究重點。為此，國內外近些年來，基于智能故障診斷方法的滾動軸承故障診斷也受到各界學者的關注。智能故障診斷方法能自動提取特征，于此特定狀態之下很容易推斷出這個特點是與傳統基于振動信號分析方法的本質區別(許軒，蔣子豪，2018)。滾動軸承智能診斷過程可選擇不同的方法，在其中應用比例較高的如監督學習、半監督學習。其中，監督學習這一類別在其他領域發展較為成熟。其輸入為帶有標簽的數據集，利用模型提取信號特征。將模型參數訓練至最優后，將測試集輸入模型，在此類條件基礎上可以推知其變化即可將測試信號進行模式識別(呂明哲，譚俊熙，2023)。從數據集大小來說，相較于傳統方法，智能診斷方法可處理海量數據，且結果更為準備，但美中不足之處在于模型自動提取的特征難以解釋。機器學習在各個領域大放異彩，這也將滾動軸承的故障診斷向智能化推進(徐宇航，55過，不滿足實際的應用要求(蘇博瑜，唐俊逸，2020)。第二階段：基于頻譜分析的診斷方法。其后的研究過程中Cooley為高效的高的應用價值(呂思遠，魏墨，2019)。也為故障診斷領域頻譜分析技術的應用直被廣泛的應用(馬飛，肖俊杰，2021)。第四階段：基于共振解調的診斷方法。上世紀七十年代D.R.Harting在研究部位也可基于包絡分析方法確定出，有明顯的優勢(方博宇，宋澤楷，2022)。系統在機車軸承檢測中取得好性能優勢(張宇軒，李子豪，2018)。日本三菱的66MHMS機械檢測系統則可以對振動設備的故障進行高效檢測。俄羅斯DREAM不斷擴大(楊明哲，劉俊熙，2023)。好的滿足應用要求。宋晨曦，馮依娜39則具體分析軋鋼機軸承的特征，而研發出一種MDS系列軋鋼機軸承故障診斷系統，對其性能進行仿真分析，結果發現國內學者在研究過程中大量的吸收和引進國外的技術和設備，經過不斷創于已有成果可推導出相關結果對原始信號進行處理時先采集確定出其中平穩成77等人將EMD和譜峭度法結合起來進行此方面的檢測，在具體處理過程中先基于EMD降噪方法進行原始信號的處理而得到共振帶，按照出故障相關情況。夏均忠44則結合了EEMD能量熵和LS-SVM方法進行故障檢測，在研究過程中先對采集的信號通過EEMD分解成若干固有模態分量，接著第二章滾動軸承計。保持架能使滾動體均勻分布，也可滿足一定潤滑相關要求。這種情況進行了綜合考慮從而更好的滿足加工相關要求，如鋼球加工采用磨球88型軸承的微型軸承廠等。這不難看出這是專業化的軸承的大規模生產過程中需要應用到很多高性能的專業設備。現代化的機滾動軸承的自動化生產過程中也用到很多專業滿足應用要求。主軸承采用滾動軸承情況下對應的節能率可達到30%,而大型球磨機使用滾動軸承也可以很好的滿足節能要求(史俊，范若琳，2021)。球磨機損問題，長時間使用后也可以維持精度，因而可很好的滿足應用要求(賴澤凱，丁雨馨，2023);部分軸承具有自動調心的性能；既滿足大批量條件下的應用要99鄒婉清，2020);在此背景下，本文針對原始數據的處理方式相較于以往的研究2.2滾動軸承的地位與作用用范圍不斷擴大，在代工業中廣泛應用(江浩然，熊夢婷，2018)。(1)在國民經濟中一—滾動軸承發揮各方面的價值，如在機械工業的基礎心產業”,此外也和民眾生活水平密切相關。上世紀七十年代日本開始大力發展滾動軸承，且將其當做為機械工業的重點發展對象。我國也制定出11類特定振黎詩雅，2022)。《國家重點鼓勵技術目錄中》,重點說明了轎車軸承、高速軸(2)在國防事業上—一這種軸承也和國家的軍事實力密切相關，導彈和飛(3)在技術地位上—一軸承鋼的相關要求高，本文研究背景下我們不可忽相關的領域也獲得應用(廖子墨，常靜怡，2024)。為削弱外部環境對方案成效2.3滾動軸承的負荷與壽命也存在明顯的差異性，同一批次中90%在疲勞剝落前的總轉數就是軸承的額定壽命(段昊然，藍馨月，2019)。和額定壽命密切相關的為額定動載荷，也就是額定壽命為100萬轉情況下的荷。在實際的應用過程中應控制軸承的壽命和載荷都達到較高水平，這樣可提升其負荷能力，更好的滿足相關應用要求。于此特定狀態之下很容易推斷出推力軸承的額定載荷是純軸向載荷。在實際的應用過程中很多因素都會影響到額定負荷，為更好的滿足應用要求，應該將其換算成當量負荷(雷景天，萬依柔，2021)。第三章基于卷積神經網絡的軸承故障診斷流程卷積神經網絡是一種高性能人工智能工具，其主要的特征表現為引入了卷積結構，可很好的滿足復雜條件下的決策要求，是深度學習的代表工具。這種網絡有很多種，可基于其階層結構對輸入信息的特征進行劃分，于此特定狀態之下很容易推斷出因而也被稱作為“平移不變人工神經網絡”[45。卷積神經網絡的組成結構一般是固定的，主要組成部分包括濾波級和分類級。因而從屬性分析可知，可將其看作為一種多級神經網絡(LeCunYoshuaetal.,2015)(龍澤楷，侯雅琳，2023)。卷積層，池化層和激活層等構成了網絡的濾波級，在應用過程中可提取輸入信號的過濾及數據特征。本文研究背景下我們對這種情況進行了綜合考慮這種網絡在分類過程中主要應用到全連接層。且基于一定的標準劃分提取到的特征。通過不斷的訓練學習優化各層的參數，然后通過網絡正常把輸入數據與故障目標向量對應起來。(1)基本單位神經元主要是用于模擬生物神經元的結構和特性。其結構如圖3-1所示。221411每一個神經元都擁有不同的權重(weight)和偏置(bias),當輸入信號x到達時，它乘以權重值。現有結果表明了可以推出如果神經元有3個輸入，則它有3個權重值，并且權重會在訓練期間進行調整。這不難看出然后將乘積與偏置之和輸入到激活函數中得到輸出活性值a。其計算公式如式(3-1)所示(賀天佑，龔若曦，2020)。(2)卷積層卷積層(ConvLayer)通過與映射區域進行卷積來提取相應的特征。其作用級特征，與此相關的特征如漸變方向，邊緣等(譚睿，文靜怡，2022)。通過添在實際的實現過程中，為了減小不必要的操作與開銷，一般用互相關運算來替代繁瑣的卷積運算。軸承信號序列與卷積核的互相關計算公式如式(2)所示(喬俊杰，章雪柔，2018)。序列的長度。一維卷積的示例如圖3-2所示，以這種狀態為背景所使用的卷積核參數為[1,0,-1],卷積后輸出信號序列長度1變為了5,計算公式如(3-3)所示。式中m為卷積核的寬度，n為信號序列的長度(賴逸凡，邱語嫣，2024)。1?(3)激活層現代的神經網絡模型中為更好的滿足應用要求，主要引入非線性激活函數，這種激活函數的優勢表現為可以進行組合而形成復雜的映射，本文研究背景下我們不可忽視這種情況的存在有利于提高網絡的性能和應用價值，如在圖像，視頻，音頻相關的處理中都可應用，并提供準確的預測(方景輝，葉婉婷，2021)。激活函數中常用的包括Sigmoid,TanH、整流線性單元(ReLU),其表達式分別如式(3-4)、(3-5)和(3-6)所示。這三種常見的激活函數圖形如圖3-3所示。(a)ReLu(b)Sigmoid池化有兩種類型：其中包括最大池化和平均池化中主要是從內核覆蓋的部分返回最大值(邱昊天，孟雨菲，2019)。而后者則進細致研究可得出而平均池化的功能相對有限。“最大池化”的性能要比“平均池化”好得多。兩者的表達式分別如式(3-7)和(3-8)所示。進行特征選擇。其示例如圖3-4所示。6(5)全連接層行特征分類。Softmax的目的是使輸出結果正規化，在此類條件基礎上可以推知其變化當輸入信號x到達時，它乘以權重值。如果神經元有3個輸入，則它有3個權重值，并且權重會在訓練期間進行調整(林軒，江雅琴，2022)。然后將乘積與偏置之和輸入到激活函數中得到輸出活性值a其計算公式如式(3-9)所示。況進行了綜合考慮而且還可以知道各個分類計算的概率值。算過程如圖3-5所示(賀澤宇，傅夢琪，2020)。(6)損失函數損失函數(Lossfunction)又叫目標函數，損失就是實際計算值與期望值之數來量化當前網絡的優劣(程天佑，呂芝和，2023)。交叉熵損失(CrossEntropyError)通過計算最大概率的對數的負數來衡量輸出的好壞，其計算公式如式 (3-10)所示。此方案的檢測工作本文從理論探討與Softmax輸出的結果是[88%,12%,0%]概率公式可以看出，最大概率越大，損失越接近于0,網絡輸出結果就越準確(陸子謙，蘇怡，2018)。3.2卷積神經網絡的傳導過程基于一維卷積神經網絡的滾動軸承故障診斷算法流程如圖3-6所示，具體步者進行標記，確定出對應標簽(每一種故障信號對應一個故障標簽),輸入到采集滾動軸承的一維振動信號采集滾動軸承的一維振動信號不同程度故障數據全壽命周期數據采樣窗創建樣本數據集時域特征變化趨勢劃分樣本部分組織為訓練樣本大尺度卷積層部分組織為測試樣本訓練階段更深層次的多尺度卷積層IDCNN模型前向傳播IDCNN模型調優模型結構輸出診斷結果測試階段設計要求Y1DCNN模型結構圖3-61DCNN故障診斷流圖第四章案例結果與分析4.1實驗裝置介紹本文使用了美國西儲大學軸承數據中心的軸承試驗裝置88]。Rockwell采集到的軸承振動測試信號數據，這不難看出該實驗數據得到了業界的高度認可，并被多次用于驗證各種軸承故障診斷技術(秦俊熙，許雪柔，2024)。本文圈故障、滾動體故障、外圈故障三種類型(羅景辰，韓依娜，2021)。由此可以推知在進行信號采集時，將一個5000Hz的加速計設置在電機的端罩子上，通過樣頻率為12kHz。(1)一個1.5KW(2馬力)的電動機(圖左側);(2)一個扭矩傳感器/譯碼器；(3)一個功率測試計(圖右側);(4)電子控制器(圖中沒顯示)。本次實驗研究過程中對比分析而選擇了12K頻率條件下的軸承故障數據，在運行過程中電機近似轉速為1797轉每分鐘，設置的故障直徑分為0.17、0.35、根據實驗相關要求選擇了6205-2RSJEMSKF深溝球軸承。SKF孚公司(唐浩然，夏清婉，2019)。軸承的規格為如表4-1所示。內圈直徑外圈直徑厚度滾動體直徑節徑軸承的故障頻率(轉動頻率Hz的倍數)如表4-2所示。內圈故障外圈故障保持架故障本次實驗采用keras框架。共600組數據，其中500組數據用來訓練卷積神經網絡，100組數據用來驗證訓練結果。隨著500次訓練的進行，可以明顯看到精度(accuracy)在不斷提高，損失(loss)在不斷降低，如圖4-2、圖4-3所示(馮宇，袁語嫣，2022)。圖4-3訓練損失與驗證損失由圖4-2可知，訓練到第五百次時，精度已經很接近1。由python顯示的運行結果(圖4-4)來看，最后的驗證精度(val_accuracy)可達0.9759183526039124,驗證損失(val_loss)可達0.13909408311293434。這說明基于卷積神經網絡進行滾動軸承故障檢測，可以達到極高的準確度。651ms/step-Loss:日.0371-accuracy:8.9916-val1oss:日.1215-valLa0-12152346891626342,8.9789795875549316,0.12152346891626342,8.97897958755493云圖4-4運行結果第五章結論軸承是現代工業文明中不可或缺的重要零部件，一旦發生事故，便會帶來十分嚴重的損失。因此，各國技術人員和學者在對軸承故障診斷的研究過程中，投入了大量的時間和精力，開發出了多種多樣的軸承故障診斷方法和技術，特別是在人工智能技術得到廣泛運用的年代，軸承故障診斷技術的進展也突飛猛進，形成了成套的診斷系統和軟件。在不同的設備和診斷領域上，各種軸承診斷方法均取得了十分不錯的成果。卷積神經網絡作為深度學習的代表，具有極強的性能。用它來檢測滾動軸承故障，可以達到極高的準確度。本文提出的基于卷積神經的滾動軸承故障檢測模型準確度可以達到97.59%。這對比以前的滾動軸承故障診斷方式，具有更高的優越性。[1]ANONYM.ThecasewesternreserveuniversityOL].(2015-10-11)./bearingdatacenter/-data-file(accessed11Octob2022(18):130-133.[4]JiangL,ShiTL,etal.Faultdanalysis[J].JournalofVibrationandControl,2014,20(3):470-480.technique[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartO:JournalofRiskandReliability,2015,229(2):105-11[6]XuJ,TongSG,etal.Tmatchingforrollingbearingfaultdiagnosis[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineeringScience,2015(17):3291-32burnfeatureextractioninsurfacegrindingprocess[J].[9]孫博宇，周澤楷.基于譜峭度及原子分解的滾動軸承故障診斷方法研究[D].上[10]吳宇軒，徐豪.基于EEMD和最小二乘支持向量機的滾動軸承故障診斷方法研究[D].長春[11]鄭明哲，黃俊熙.電機軸承的智能故障診斷與性能退化趨勢預測[D].江南大學，2018.[13]郭子瑜，梁俊逸.滾動軸承故障特征提取與診斷方法研究[D].華北電力大學(北京),2016.[14]DingX,HeQ,LuoN.Afusionfeatureanditsimprovementbaprojectionsforrollingelementbearingfaultclassification[J].JournalVibration,2015,335:367-383.[15]謝思遠，程宇墨.機械故障診斷理論與方法[M].西安交通大學出版社，2009.[16]韓逸飛，曹俊杰.基于小波降噪和經驗模態分解的滾動軸承故障診斷[D].哈爾濱工業大[17]彭博宇，曾澤楷.基于時頻分析的滾動軸承故障診斷方法研究[D].[18]許軒，蔣子豪.基于ESMD和SVM的滾動軸承故障診斷研究[D].2018.Processing,2011,25:[20]Carrasco,B.Charnley.TheapplicationofspectralkurtosisonAcousticEmissionProcessing,2011,25:266-284.[21]Tchakoua,R.Wamkeue,M.Ouhrouche,etal.WiState-of-the-ArtReview,NewTrends,andFutureChallenges[J].Energies,2014[22]Kharche,SV.Kshirsagar.ReviewofFaultDetectionBearing[J].InternationalJournalofInnovativeResearchinAdvancedEngineering,2014,1(5):[23]Sun,H.Windturbinefaultdetectionusingmultiwaveletdenoisingwiththedatthreshold[J].AppliedAcoustics,2014,77:122-129.[24]Ming,W.Zhang,ZY.Envelopecalculationofthemulticomponentthedeterministiccomponentcancellationinbearingfaultdiagnosis.Mechanical張宇軒，李子豪temsandSignalProcessing.20[25]Zimroz,W.Bartelmus,T.Barszcz,etal.Diagnosticsofbearingsinpresenceofstrongoperatingconditionsnon-stationarity-Aprocedureofload-dependentfeaturespProcessing,2014,46(1):16-27.[26]徐宇航，羅澤宇.經驗小波變換和支持向量機在滾動軸承故障診斷中的應用研究[D].豪tem[J].InternationalJournalofEmergingTrendsinEn[29]Gabor,D.Theoryofcommunication[J].ElectricalEngineers-PartI:General,JournaloftheInstitutionof,1947,94(73):429-457.[31]Tang,B.Liu,W.T.Song.Wi