滚动轴承不平衡数据集故障诊断方法研究
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。
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。
滚动轴承故障及其诊断方法
而一旦有了压痕，压痕引起的冲击载荷会进一步引起附近 表面的剥落。
这样，载荷的累积作用或短时超载就有可能引起轴承塑性 变形。
1滚动轴承异常的基本形式
(4).腐蚀
润滑油、水或空气水分引起表 面锈蚀（化学腐蚀）
轴承内部有较大的电流通过造 成的电腐蚀
2.3 滚动轴承的振动及其故障特征
2. 幅值域中的概率密度特征 滚动轴承正常时和
发生剥落损伤时的轴 承振动信号的幅值概 率密度分布如图。
轴承振动的概率密度分布
从图中可以看出，轴承发生剥落时，幅值分布的幅 度广，这是由于存在剥落的冲击振动。这样，从概率 密度分布的形状，就可以进行异常诊断。
3 滚动轴承故障诊断方法
2.2 滚动轴承的特征频率
➢ 为分析轴承各部运动参数，先做如下假设： (1)滚道与滚动体之间无相对滑动； (2)每个滚道体直径相同，且均匀分布在内外滚道之间 (3)承受径向、轴向载荷时各部分无变形；
方法： 研究出不承受轴向力时轴承缺陷特征频率，进而，推导出 承受轴向力时轴承缺陷特征频率
1. 不承受轴向力时 轴承缺陷特征频率
d Dm
)
fr
滚动轴承的特征频率
➢ (3) 轴承内外环有缺陷时的特征频率：
➢ 如果内环滚道上有缺陷时，则Z个滚动体滚过该缺陷时的
频率为
fi
f Bi Z
1 (1 2
d Dm
) frZ
➢ 如果外环滚道上有缺陷时，则Z个滚动体滚过该缺陷时的
频率为
fo
f Bo Z
1 (1 2
d Dm
)
f
r
Z
➢ (4) 单个滚动体有缺陷时的特征频率：如果单个有缺陷的 滚动体每自传一周只冲击外环滚道（或外环）一次，则其 相对于外环的转动频率为
滚动轴承故障诊断方法与技术综述
滚动轴承故障诊断方法与技术综述引言：滚动轴承作为机械设备中常用的零部件之一，承担着支撑和传递载荷的重要作用。
然而，由于使用环境的恶劣和工作条件的复杂性，滚动轴承往往容易出现各种故障。
因此，为了保证机械设备的正常运行和延长轴承寿命，对滚动轴承的故障进行准确诊断非常重要。
一、故障诊断方法1. 观察法观察法是最常用的故障诊断方法之一。
通过观察滚动轴承的外观和运行状态来判断是否存在故障。
例如，如果发现滚动轴承有异常噪声、温度升高、润滑油泡沫、振动加剧等现象，很可能是轴承出现了故障。
2. 振动诊断法振动诊断法是一种先进的故障诊断方法，可以通过检测轴承的振动信号来判断轴承是否存在故障。
通过分析振动信号的频谱图，可以确定轴承故障的类型和位置。
常用的振动诊断方法包括时域分析、频域分析和小波分析等。
3. 声音诊断法声音诊断法是一种通过听觉判断轴承故障的方法。
通过专业人员对轴承产生的声音进行听觉分析，可以判断轴承是否存在异常。
常见的轴承故障声音包括金属碰撞声、摩擦声和振动声等。
4. 热诊断法热诊断法是一种通过测量轴承的温度来判断轴承故障的方法。
由于轴承在故障状态下会产生摩擦热，因此轴承的温度可以间接反映轴承的工作状态。
通过测量轴承的温度分布，可以判断轴承是否存在异常。
二、故障诊断技术1. 模式识别技术模式识别技术是一种基于机器学习的故障诊断技术，可以根据轴承的振动信号和声音信号等特征，通过训练模型来识别轴承的故障类型。
常用的模式识别技术包括支持向量机、神经网络和决策树等。
2. 图像诊断技术图像诊断技术是一种通过图像处理和分析来判断轴承故障的技术。
通过对轴承的外观图像进行特征提取和分类，可以实现对轴承故障的自动诊断。
常用的图像诊断技术包括边缘检测、纹理分析和目标识别等。
3. 声音信号处理技术声音信号处理技术是一种通过对轴承声音信号进行滤波、频谱分析和特征提取等处理，来判断轴承故障的技术。
通过对声音信号的频谱图和时域图进行分析，可以判断轴承故障的类型和位置。
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．
《基于开放集深度迁移学习的滚动轴承故障诊断方法研究》范文
《基于开放集深度迁移学习的滚动轴承故障诊断方法研究》篇一一、引言滚动轴承作为旋转机械的关键组成部分，其工作状态直接影响着设备的运行安全与稳定性。
在生产制造和日常维护中，滚动轴承的故障诊断是一项重要的任务。
然而，由于工作环境、工作负载以及制造工艺等因素的影响，滚动轴承的故障模式复杂多样，给传统的故障诊断方法带来了挑战。
本文旨在研究基于开放集深度迁移学习的滚动轴承故障诊断方法，旨在提高诊断的准确性和可靠性。
二、滚动轴承故障诊断的背景及挑战传统的滚动轴承故障诊断方法大多依赖于专家的经验和对设备的深入理解。
然而，由于设备的多样性和复杂性，这种方法的可重复性和通用性较差。
此外，随着机器学习技术的发展，一些基于模型的方法也被引入到滚动轴承的故障诊断中。
然而，这些方法大多需要大量的标记数据，而在实际应用中，获取大量的标记数据往往需要消耗大量的时间和人力成本。
此外，由于不同设备、不同工况下的数据分布差异，传统的机器学习方法往往难以适应新的工作环境。
三、开放集深度迁移学习理论基础开放集深度迁移学习是一种新的机器学习方法，它能够利用源域数据和目标域数据之间的共享知识，对目标域进行学习和预测。
在滚动轴承故障诊断中，我们可以将不同设备、不同工况下的数据作为不同的域，利用深度迁移学习的方法，将知识从源域迁移到目标域，从而提高诊断的准确性和可靠性。
四、基于开放集深度迁移学习的滚动轴承故障诊断方法本文提出了一种基于开放集深度迁移学习的滚动轴承故障诊断方法。
首先，我们利用深度神经网络对源域和目标域的数据进行特征提取和表示学习。
然后，我们利用迁移学习的思想，将源域的知识迁移到目标域。
具体来说，我们采用一种自适应的迁移学习方法，通过调整网络的参数和结构，使得网络能够适应不同的数据分布。
最后，我们利用softmax层对目标域的故障类型进行分类和预测。
五、实验与分析为了验证本文提出的方法的有效性，我们在多个不同设备、不同工况下的滚动轴承数据集上进行了实验。
滚动轴承故障诊断技术研究现状及发展趋势研究
滚动轴承故障诊断技术研究现状及趋势研究ﻭﻭﻭﻭ一、滚动轴承故障诊断的意义ﻭ随着科技的,现代正逐步向生产设备大型化、复杂化、高速化和自动化方向,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。
除了在设计与制造阶段，通过改进可靠性设计、研究和应用新材料、新工艺以及生产过程中的质检控制措施提高系统的可靠性与安全性外，提高系统可靠性与安全性的另一个重要途径就是对系统的工作状态进行实时的监测与诊断,从而实现对设备的有效控制，并对灾难性故障的发生进行预警，为采取相应的补救措施提供有效的信息。
故障诊断理论就是为了满足对系统可靠性和安全性要求的提高,减少并控制灾难故的发生而起来的。
因此,故障诊断理论的必将促进故障监测和监控系统的快速与广泛应用，从而可以进一步的提高的可靠性与安全性，并由此产生巨大的经济和效益。
ﻭ与其他机械零部件相比,滚动轴承有一个很独特的特点,那就是其寿命的离散性很大。
由于轴承的这一特点，在实际使用中就会出现这样一种情况：有的轴承已大大超过其设计寿命而依然能正常地工作，而有的轴承远未达到其设计寿命就出现各种故障.因此，如果按照设计寿命对轴承进行定期维修:一方面，会造成将超过设计寿命而仍正常工作的轴承拆下来作报废处理,造成浪费;另一方面，未达到设计寿命而出现故障的轴承没有被及时的发现，直到定期维修时才被拆下来报废,使得机器在轴承出现故障后和报废前这段时间内工作精度降低，或者未到维修时间就出现严重故障,导致整部机器陷于瘫痪状态。
因此，进行滚动轴承工作状态及故障的早期检测与故障诊断，对于设备安全平稳运行具有重要的实际意义。
ﻭ二、滚动轴承故障诊断技术研究现状及趋势2。
１滚动轴承的故障特点ﻭ滚动轴承具有一个突出的特点，其寿命离散程度非常大。
- 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)。
滚动轴承不平衡数据集故障诊断方法研究
滚动轴承不平衡数据集故障诊断方法研究
摘要：
滚动轴承是机械设备中常见的零部件，其故障会导致机械设备的严重损坏和生产中断。
而滚动轴承的不平衡是导致其故障的主要原因之一。
因此，研究滚动轴承不平衡数据集的故障诊断方法具有重要的意义。
本文以滚动轴承不平衡数据集为研究对象，综合应用信号处理、特征提取和机器学习等方法，提出了一种有效的故障诊断方法。
1. 引言
滚动轴承是机械设备中常见的关键零部件，其故障会导致机械设备的可靠性下降和生产损失。
滚动轴承的不平衡是造成其故障的主要原因之一，因此，研究滚动轴承不平衡的故障诊断方法对于预防滚动轴承故障具有重要的意义。
2. 滚动轴承不平衡的故障特征分析
滚动轴承在运行过程中由于生产制造、安装配合等方面的原因，很容易产生不平衡。
其不平衡会导致轴承受力不均匀，从而引起振动和噪声。
因此，通过分析滚动轴承的振动和噪声信号，可以判断其是否存在不平衡故障。
3. 滚动轴承不平衡数据集的获取
为了进行故障诊断方法的研究，本文采集了一批滚动轴承的不平衡数据集。
采集过程中，首先通过加装称重块的方式给滚动轴承增加不平衡，然后使用加速度传感器获取轴承的振动信号，并使用麦克风获取其噪声信号。
4. 滚动轴承不平衡数据的信号处理
为了提取有效的特征用于故障诊断，首先对滚动轴承的振动信
号和噪声信号进行预处理。
采用滤波等方法去除信号中的噪声干扰，然后通过时域分析和频域分析等方法，提取信号的时间域特征和频域特征。
5. 滚动轴承不平衡数据的特征提取
基于滚动轴承不平衡数据集，利用特征提取方法提取有效的特征。
对于振动信号，可以提取的特征包括峰值、方差、峰峰值和有效值等；对于噪声信号，可以提取的特征包括能量、频率分布和谱密度等。
6. 滚动轴承不平衡数据的故障诊断
利用机器学习方法对滚动轴承不平衡数据集进行故障诊断。
采用支持向量机(SVM)和随机森林(RF)等分类算法，建立故障诊断模型。
通过训练数据集训练模型，并通过测试数据集验证模型的准确性和鲁棒性。
7. 结果分析与讨论
通过对滚动轴承不平衡数据集进行故障诊断，得到了良好的结果。
实验结果表明，特征提取和机器学习方法能够有效地识别滚动轴承的不平衡故障。
此外，不同的机器学习算法在故障诊断中表现出不同的性能，支持向量机和随机森林算法在本研究中均取得了较好的效果。
8. 总结
本文针对滚动轴承不平衡故障进行了研究，提出了一种基于特征提取和机器学习的故障诊断方法。
通过对滚动轴承不平衡数据集的分析和处理，得到了较好的故障诊断结果。
研究结果对于预防和修复滚动轴承故障具有一定的参考价值。
未来可以进一步优化故障诊断方法，并结合更多的滚动轴承数据集进行验证和实验
本研究通过特征提取和机器学习方法对滚动轴承不平衡故障进行了故障诊断。
实验结果表明，特征提取能够有效地提取滚动轴承振动信号和噪声信号中的有用特征，而支持向量机和随机森林等机器学习算法能够建立准确和鲁棒的故障诊断模型。
不同的机器学习算法在故障诊断中表现出不同的性能，支持向量机和随机森林算法都取得了较好的效果。
本研究结果对于预防和修复滚动轴承故障具有一定的参考价值，未来可以进一步优化故障诊断方法，并结合更多的滚动轴承数据集进行验证和实验。