《滚动轴承故障诊断方法综述.pdf》由会员分享，可在线阅读，更多相关《滚动轴承故障诊断方法综述.pdf（2页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、滚动轴承故障诊断方法综述发表时间：2019-07-15T14:09:51.187Z 来源：当代电力文化2019年第04期 作者：张哲导读 主要针对滚动轴承故障模式识别方面的研究工作进行综述，并给出相关的研究趋势。（中车永济电机有限公司，陕西 西安 710018）摘要：机械装备的安全运行对于现代工业发展具有重要的现实意义，同时也能有效保障人员安全和降低企业经济损失，因此相关的设备故障诊断技术也得到极大关注。轴承作为机械装备特别是旋转机械设备中的重要基础部件，各种复杂工况下，容易发生滚动体变形、磨损、腐蚀、裂缝等各种形式的缺陷，因此如何实现对滚动轴承的故障检测和识别具有重要的意义。关键词：机械；滚
2、动轴承；故障诊断引言轴承故障诊断主要采用的手段是获取设备的振动信号、声发射信号、电磁信号、超声信号等，通过一定的手段从这些信号之中获得轴承的相关故障信息。通常所采集得到的信号不能直接作为模式识别工具的输入数据，因为这些原始信号不仅数据量大同时对于轴承所处的工况比较敏感，需要对采集的数据进一步处理。从某种意义上讲，机械故障诊断可视为一个故障模式识别过程，模式识别技术的发展对于机械故障诊断技术的发展有着直接的影响。通过设计合理的模式分类器来进行故障模式识别是故障诊断的又一关键步骤2。目前在轴承故障诊断领域主要采用统计模式识别方法和人工智能识别方法两大类。随着人工智能技术的不断发展，为解决滚动轴承的
3、故障诊断问题提供了新的手段和方法，本文主要针对滚动轴承故障模式识别方面的研究工作进行综述，并给出相关的研究趋势。1基于贝叶斯推理的故障模式识别技术首先采用小波包分解得到峭度特征量；然后，采用主成分分析法、核主成分分析法等降维方法选择合适的特征量，最后将选择的特征量送入到朴素贝叶斯分类器和线性判别分析模型（LDA）中，从而实现对轴承的故障进行分类。基于红外图像分割的旋转机械故障诊断方法，首先采用图像分割算法对红外图像进行特征提取，然后采用特征融合算法进行故障特征融合，最后将融合后的特征量分别作为朴素贝叶斯分类器和支持向量机分类模型的输入量，对这两种识别模型进行训练并将训练后的模型用于故障识别。实
4、验结果表明该算法具有故障模式识别分类准确度高、速度快等优势。但由于朴素贝叶斯分类算法建立在属性条件独立性假设的基础之上，而此假设在实践过程常常并不满足，因此该方法在实际轴承故障诊断应用中具有一定的局限性。2基于神经网络的故障模式识别技术神经网络（ANN）作为重要的人工智能方法之一，因其具有通过多层网络结构建立输入和输出之间复杂的非线性关系的特征，因此在人工智能模式识别领域有着广泛的应用。基于神经网络的滚动轴承故障诊断就是利用神经网络建立故障信号的特征量和故障类型之间的映射关系从而实现对轴承的故障识别。为了进一步提高滚动轴承故障诊断精度，对BP神经网络权值采用蚁群优化算法进行优化学习，试验结果表
5、明，通过引入进化优化算法，使得所构建的BP神经网络模型具有更好的全局拟合性能，从而有效提高了该轴承故障诊断模型的精度。将小波变换融合到神经网络模型之中，构建了基于小波神经网络模型的轴承故障诊断模型，实验分析结果表明，小波神经网络模型较BP神经网络模型在滚动轴承故障诊断方面具有更快的收敛速度和精度。目前人工神经网络技术已经作为一种应用广泛的模式识别技术，但是由于该模型存在样本依赖性、网络结构难以确定等困难，还需要进一步深入研究提升神经网络的轴承故障诊断精度。3基于支持向量机的故障模式识别技术在实际应用中，常常面对有数据而又缺乏理论模型的情况，此时统计就是最基本的一种分析手段。传统统计学的研究是建
6、立在渐进理论之上的，即当样本数目趋向于无穷大时的极限特性，但实际应用中，这种假设的情况很难得满足，当所研究的问题处在高维空间时尤其如此。首先通过非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面，从而可以有效解决非线性分类问题。SVM在解决小样本、非线性及高维模式识别问题中具有独特的优势，广泛应用于手写数据库分类、人脸及3D图像识别、语音识别等方面。在轴承故障诊断方面，构建了基于SVM两分类模型的滚动轴承故障检测模型，试验结果表明，该诊断模型具有较好的检测效果。建立了基于多类支持向量机的发电机组故障诊断模型，通过采用错分样本数的变增量迭代算法，研究了在小样本情况下该模
7、型的故障诊断效果，实验结果表明该模型具有较好的诊断精度。针对轴承故障诊断通常面临不具备大量故障样本的情况，采用支持向量机（SVM）构建了机械故障识别模型，实验结果表明该SVM诊断模型对少样本故障诊断情况具有良好的适应性。通过实验研究，充分比较了支持向量机和神经网络在旋转机械轴承故障诊断中的性能。支持向量机模型在小样本的轴承故障诊断中有着广阔的应用前景，但是应用该模型的前提需要提供有效的轴承故障特征量，因此需要进一步研究相关轴承故障特征量的提取问题。4基于深度学习的故障模式识别技术采用该理论可以用于构建深度神经网络，该网络的特点在于通过多层网络结构的非线性变换，它能够从训练数据中自动学习低层特征
8、，并逐步形成更加抽象的高层表示。从而可以有效避免人工提取特征量的不足，自适应学习到相关的最合适的复杂特征。当前在故障诊断中，故障的诊断精度往往取决于故障的特征提取，然而面对复杂的故障特征，人工选择依然面临巨大挑战，因此深度学习的理论从根本上解决了人工选择故障特征的不足，采用深度学习从海量的训练数据中自学习这些数据中所隐含的特征，从而能够有效的提高机械故障诊断的精度。基于自动编码器和SVM的轴承故障诊断方法，即采用自动编码器进行轴承信号特征提取，不再依赖于先验知识，并结合SVM模型进行故障分类，得到了满意的实验效果。提出基于稀疏自动编码器与FA-KELM的滚动轴承故障诊断方法，采用稀疏自动编码器
9、自动提取振动信号的时域、频域和时频特征构建轴承故障高维特征向量，并采用萤火虫算法对核极限学习机诊断模型进行优化，实验结果表明该方法具有更好的准确性和稳定性。提出基于堆栈降噪自编码的轴承故障诊断方法，该方法中采用降噪自动编码器从大量原始振动数据中自适应学习故障特征，从而避免依赖诊断经验的弊端，取得了较好的轴承故障诊断精度。深度学习具有自适应学习轴承故障特征量的能力，因此有效避免了人工构建和筛选轴承故障特征量的不足，随着相关理论的不断发展，基于深度学习的轴承故障诊断技术必将具有广阔的应用空间。结论本文主要就轴承故障诊断过程中所涉及到的故障模式识别相关的研究技术进行了综述。并对轴承故障模式识别所涉及
10、的基于统计的模式识别和智能识别两大类方法进行了介绍，其中深度学习作为一种新的智能识别方法，在故障诊断中因其能自动学习故障特征而得到了广泛的关注。随着机械装备功能复杂性和工作环境易变性的增加，通过相关设备监测系统所采集到的大数据中必然蕴含了大量的故障信息，如何从这些数据中有效提取相关的故障特征必将成为重要的研究课题。随着人工智能技术的不断发展，必将为轴承故障诊断提供更好的工具和技术。参考文献：1李萌.旋转机械轴承故障的特征提取与模式识别方法研究D.吉林：吉林大学，2008.2黄文虎，夏松波，刘瑞岩，等.设备故障诊断原理、技术及应用M.北京：科学出版社，1996.3蒲小平，陈克兴，徐金梧，等.基于神经网络的轴承故障诊断方法J.北京科技大学学报，1993，12（15）：610-613.