多深度学习模型决策融合的滚动轴承故障诊断
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。
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。
滚动轴承寿命预测与故障诊断
滚动轴承寿命预测与故障诊断滚动轴承是机械传动系统中常用的一种关键零部件，因其结构简单、可靠性高、运转稳定等特点被广泛应用于工业制造、交通运输、航天航空等领域。
然而，在长期的使用中，由于负载、转速、温度等因素的影响，滚动轴承很容易出现各种故障，严重影响机械设备的正常性能。
因此，预测滚动轴承的寿命并对其故障进行诊断具有极其重要的意义，不仅能够减少机器设备的维修成本，更能提高机器设备的运行效率和安全性。
一、滚动轴承寿命预测的基本理论滚动轴承寿命预测是指通过对滚动轴承在特定工况下的运行情况进行数学模型建立和系统分析，来预测滚动轴承在未来一段时间内的使用寿命。
其基本理论是寿命公式理论，即基于统计学原理，通过对有限数量的试验数据进行分析，来估计大量相似产品的寿命。
该理论最早由Weibull提出，现广泛应用于各种设备的寿命预测中。
滚动轴承的寿命是指在一定的负载、转速、温度等工况条件下，维持基本性能的使用寿命。
通常将运转时间作为寿命评定标准，其评定方法有两种，即L10寿命和L50寿命。
其中L10寿命是指在有10%以上的滚动轴承失败的情况下所需要的运转时间，L50寿命则是指在有50%以上的滚动轴承失败的情况下所需的运转时间。
滚动轴承寿命预测的方法一般有以下几种：1、基于模型的预测法该方法是在通过对相关参数的观测和测量得到大量样本数据的基础上，建立滚动轴承故障模型，对其进行数学分析和计算，从而提出一定的预测理论。
该方法的优点是可以快速准确地预测滚动轴承的寿命，缺点是在模型建立过程中，需要考虑多种因素的影响，模型的建立难度较高。
2、基于统计模型的预测法该方法是通过统计分析大量实测数据，确定影响滚动轴承寿命的关键因素，建立相应的统计模型，并通过多种分析方法，包括生存分析、半参数估计和回归分析等来预测滚动轴承的寿命。
该方法的优点是具有较强的实用性和普适性，但缺点是要求样本数据的质量和数量均较高，在实际操作中要具备较为广泛的背景知识和大量的经验。
《基于深度学习的滚动轴承退化状态识别方法研究》
《基于深度学习的滚动轴承退化状态识别方法研究》一、引言随着现代工业设备的快速发展，设备的状态监测与维护已成为重要的研究领域。
其中，滚动轴承作为众多机械系统中的关键部件，其退化状态的准确识别对于预防设备故障、提高设备运行效率具有重要意义。
传统的滚动轴承退化状态识别方法主要依赖于人工经验与信号处理方法，然而这些方法往往难以准确、全面地评估轴承的退化状态。
近年来，随着深度学习技术的发展，基于深度学习的滚动轴承退化状态识别方法逐渐成为研究热点。
本文将重点研究基于深度学习的滚动轴承退化状态识别方法，旨在提高轴承退化状态识别的准确性和可靠性。
二、深度学习在轴承退化状态识别中的应用深度学习是一种通过模拟人脑神经网络工作方式的机器学习方法，具有强大的特征提取和模式识别能力。
在滚动轴承退化状态识别中，深度学习可以通过学习轴承振动信号中的特征信息，实现对轴承退化状态的准确判断。
目前，深度学习在轴承退化状态识别中的应用主要包括以下几个方面：1. 深度神经网络：通过构建多层神经网络，从原始振动信号中提取有用的特征信息，用于判断轴承的退化状态。
2. 卷积神经网络：利用卷积操作对振动信号进行特征提取，有效降低数据的维度，提高识别的准确性。
3. 循环神经网络：适用于处理具有时间序列特性的振动信号，可以有效地捕捉轴承退化过程中的动态变化。
三、方法研究本文提出一种基于卷积神经网络的滚动轴承退化状态识别方法。
该方法主要包括以下几个步骤：1. 数据采集：通过传感器采集滚动轴承在不同退化阶段的振动信号。
2. 数据预处理：对采集的振动信号进行去噪、归一化等预处理操作，以提高数据的信噪比和一致性。
3. 特征提取：利用卷积神经网络对预处理后的振动信号进行特征提取，提取出对轴承退化状态敏感的特征信息。
4. 模型训练：将提取出的特征信息输入到训练好的分类器中进行训练，构建轴承退化状态与特征信息之间的映射关系。
5. 状态识别：将测试数据输入到训练好的模型中进行测试，根据输出结果判断轴承的退化状态。
edwnn和dw-svm在轴承故障诊断中的应用
ＥＤＷＮＮ和 ＤＷ －ＳＶＭ在轴承故障诊断中的应用
当今大 数 据 时 代，由 于 反 映 轴 承 运 行 工 况 的 海 量数据的积累，传统的基于“人工特征提取 ＋模
收稿日期：２０１８－１０－１８；修回日期：２０１９－０５－１８ 基金项目：国 家 自 然 科 学 基 金 项 目 （５１６０５０２２）；北 京 市 教 育委员会 科 技 计 划 一 般 项 目 （ＳＱＫＭ２０１７１００１６０１４）；北 京 市优秀人才培养项目（２０１３Ｄ００５０１７００００１３） 作者简介：杜小磊（１９９３—），男，河北保定人，硕士研究生， 研究方向为深度学习和故障诊断，Ｅ－ｍａｉｌ：１３２６０４１７５３０＠ １６３．ｃｏｍ。 通信作者：陈 志 刚 （１９７９—），男，博 士，教 授，Ｅ－ｍａｉｌ： ｇａｎｇｚｉ２２＠１６３．ｃｏｍ。
Ａｂｓｔｒａｃｔ：Ｔｈｅｔｒａｄｉｔｉｏｎａｌｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｓｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｈａｖｅｓｕｃｈｓｈｏｒｔｃｏｍｉｎｇｓａｓｌａｒｇｅｌｙｄｅｐｅｎｄｅｎｔｏｎ ｅｘｐｅｒｔｉｓｅ，ｄｉｆｆｉｃｕｌｔｙｉｎｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｓｅｌｅｃｔｉｏｎ，ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｉｓｐｒｏｐｏｓｅｄ ｂａｓｅｄｏｎｅｎｓｅｍｂｌｅｄｅｅｐｗａｖｅｌｅｔｎｅｕｒａｌｎｅｔｗｏｒｋ（ＥＤＷＮＮ）ａｎｄｄｅｅｐｗａｖｅｌｅｔｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＤＷ －ＳＶＭ）． Ｆｉｒｓｔｌｙ，ｔｈｅｄｉｆｆｅｒｅｎｔｉｍｐｒｏｖｅｄｗａｖｅｌｅｔａｕｔｏ－ｅｎｃｏｄｅｒｓ（ＷＡＥｓ）ａｒｅｄｅｓｉｇｎｅｄｂｙｕｓｉｎｇｄｉｆｆｅｒｅｎｔｗａｖｅｌｅｔｆｕｎｃｔｉｏｎｓ，ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇｄｅｅｐｗａｖｅｌｅｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＤＷＮＮｓ）ａｒｅｃｏｎｓｔｒｕｃｔｅｄ．Ｔｈｅｎ，ｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｏｆｔｈｅｂｅａｒｉｎｇｓａｒｅ ｉｎｐｕｔｉｎｔｏｅａｃｈＤＷＮＮｆｏｒｕｎｓｕｐｅｒｖｉｓｅｄｆｅａｔｕｒｅｌｅａｒｎｉｎｇａｎｄｆｉｎｅｔｕｎｉｎｇ．Ｆｉｎａｌｌｙ，ｔｈｅｔｏｐｆｅａｔｕｒｅｓｏｆｅａｃｈＤＷＮＮａｒｅ ｆｕｓｅｄ，ａｎｄｔｈｅＤＷ －ＳＶＭ ｃｌａｓｓｉｆｉｅｒｉｓｉｎｐｕｔｔｏｒｅａｌｉｚｅａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｏｆｂｅａｒｉｎｇｆａｕｌｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓ ｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｒｅｃｏｇｎｉｚｅｓｍｕｌｔｉｐｌｅｆａｕｌｔｓｅｖｅｒｉｔｉｅｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｕｎｄｅｒｍｕｌｔｉｐｌｅｏｐｅｒａｔｉｎｇｃｏｎｄｉｔｉｏｎｓｅｆｆｅｃｔｉｖｅ ｌｙ，ｔｈｅａｂｉｌｉｔｙｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｉｓｓｕｐｅｒｉｏｒｔｏｔｈａｔｏｆｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓｓｕｃｈａｓｓｈａｌｌｏｗａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌｎｅｔｗｏｒｋ，ＳＶＭ ａｎｄｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｓｓｕｃｈａｓｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋ，ｄｅｅｐｓｐａｒｓｅａｕｔｏ－ｅｎｃｏｄｅｒａｎｄｓｏｏｎ． Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｄｅｅｐｗａｖｅｌｅｔｎｅｕｒａｌｎｅｔｗｏｒｋ；ｄｅｅｐｗａｖｅｌｅｔｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ
基于VMD和排列熵的滚动轴承故障诊断研究
nerring failure, ouherring failure, and ro ling Dueho hhe2pecialoperahing characherihic2ofro ling bear
ings, the failure mechanlm of rolling bearings is analyzed, and the permutation entropy (PE) feahre vec-
No.6 Jun.2021
基于VMD和排列癇的滚动轴承故障诊断研究!
杨 云】，张昊宇】，薛元贺1!2，丁 磊1
(1.华东交通大学电气与自动化工程学院"南昌330033 ；2.中国铁路南昌局集团有限公司"南昌
330033)
摘要:针对难以识别的轴承运行振动信号中的状态特征，提出变分模态分解% VMD)和基于峭度准 则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数，分析参数对结果的影
horcon2hruchion mehhod ba2ed on hhekurho2icriherion iobhained, and hhe2upporhvechormachineiu2ed
ho co rechThefour2hahe2arecla2ified, and hhefaulhdiagno2iifinaly realieed.
1.2参数设置对分解结果的影响
变分模态分解算法包含的参数有分解尺度 +、惩 罚因子a、噪声容限和判别精度，研究发现，噪声容限 和判别精度对变分模态分解的结果影响较小 ，本小节
通过定一求二法分析确定变分模态分解参数，介绍+ 和-对分解的影响。
本小节采用西储凯斯大学轴承数据库数据进行分 析,以采样频率为12 kHz下的驱动端轴承的滚动体故 障数据做分析，图1为该故障信号的时域图，横坐标为 时间，纵坐标为幅值。
(完整word版)滚动轴承故障诊断分析全解
滚动轴承故障诊断分析学院名称：机械与汽车工程学院专业班级：学生姓名：学生学号：指导教师姓名：摘要滚动轴承故障诊断本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障（外圈损伤、内圈损伤、滚动体损伤）的理论模型，给出了一些滚动轴承故障诊断常见实例。
通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征.本文对特征参数的提取，理论推导，和过程都进行了详细的阐述，关键词：滚动轴承；故障诊断;特征参数；特征；ABSTRACT ：The Rolling fault diagnosisIn the thesis ,the fault types,diagnostic methods and vibration principle of rolling bearing arediscussed。
the thesis sets up a series of academic models of faulty rolling bearings an d lists some symptom parameters which often used in fault diagnosis of ro lling bearings 。
the study of vibration principle of rolling bearings can hel p us to know the essence and feature of rolling bearings.In this paper， th e parameters of the extraction, theoretical analysis， and process are descr ibed in detail。
Keywords: Rolling Bearing; Fault Diagnosis; Symptom Parameter; Distinctio n Index; Distinction Rate0引言：化方向发展,在提高生产率、降低成本、节约能源、减少废品率、保证产品质量等方面具有很大的优势.但是,由于故障所引起的灾难性事故及其所造成的对生命与财产的损失和对环境的破坏等也是很严重的，这就使得人们对诸如航空航天器、核电站、热电厂及其他大型化工设备的可靠性、安全性提出了越来越高的要求。