《卷积神经网络在滚动轴承故障诊断中的应用及局限性分析》12000字

卷积神经网络在滚动轴承故障诊断中的应用及局限性分析摘要滚动轴承故障诊断是机械设备停机维修中的一个重要环节，也是导致旋转机械失灵与故障的最主要原因之一。而随着机器运行工况下检测方法和技术不断发展，对故障特征信息进行提取与分析已成为必然趋势。而在深度学习不断发展的今天，卷积神经网络模型成为分析滚动轴承故障准确率最高的模型。本文通过建立一维卷积神经网络，对滚动轴承的故障进行诊断。滚动轴承的故障数据来自美国西储大学轴承数据中心[1]。关键词：卷积神经网络；滚动轴承；故障分析；深度学习目录TOC\o"1-3"\h\u25167第一章引言 1205591.1研究背景 1177131.2轴承故障诊断历史 1247941.3轴承故障诊断方法研究现状 2148871.3.1国外发展现状 261021.3.2国内发展现状 314008第二章滚动轴承 551722.1滚动轴承的结构 5265092.1.1滚动轴承的特性 570482.1.2滚动轴承的基本特点 5248832.2滚动轴承的地位与作用 6267052.3滚动轴承的负荷与寿命 75062第三章基于卷积神经网络的轴承故障诊断流程 8131643.1卷积神经网络的基本结构 8263103.2卷积神经网络的传导过程 1214788第四章案例结果与分析 1457714.1实验装置介绍 14247834.2实验结果与分析 1526695第五章结论 17144参考文献 19第一章引言1.1研究背景随着现代工业文明的发展，机械设备越来越精密，结构越来越复杂，功能越来越完善，自动化程度越来越高。精密设备在人们的日常生活和工作中起着重要的作用，特别是作为机械设备领域中的关键旋转设备（李逸飞，王梓萱，2022）。其中，连接设备旋转部件和固定部件的轴承，特别是滚动轴承和设备的性能存在密切关系。这种轴承的特征表现为摩擦小，效率高，润滑方便等优点[2]，目前在交通、化工、航空航天工业中都获得应用。在设备的运行中，轴承在支持轴承的运行和传递动力方面起着重要的作用，被称为“机械的关节”[4]。因此，一旦发生轴承故障事故，就会连锁反应而引发各种不良影响，一些情况下还会导致严重的生命财产损失，导致重大伤亡[5-6]，引起各种严重的社会不满（金子睿，洪浩宇，2023）。轴承在应用过程中容易出现故障，和其他零件相比，轴承由于承受冲击的能力较弱而受到各种交变应力的影响，高转速、高负荷等恶劣条件[7,8]也导致其失效的可能性增加。统计分析发现大约有20％的齿轮箱故障都和轴承失效有关[9]。滚动轴承与其他连接的零件接触紧密，其失效很容易导致故障和事故。1991年11月，兰州铁路局1479次火车出轨事故导致很多人员伤亡，调查结果发现其主要原因为轴承故障。上世纪九十年代日本关西电力公司海在运行过程中由于人为因素影响，机组轴承出现故障，根据以上分析引发严重的共振。最后，所有机组被摧毁。损失高达50亿日元[11]。2011年地铁4号线自动扶梯出现故障，其中的固定部件损坏，在固定和连接失效情况下导致扶梯滑落。事故中有一人死亡，多人受伤。2006年，安阳钢铁公司吐丝机轴承断裂，引发生产线故障，进入导致明显的经济损失。深圳罗湖区电梯滑梯事故出现后，调查结果表明主要是因为限速器轴承故障导致的，事故引发很不利社会影响[10]。因而很有必要加大故障诊断技术的研究，采取各种高效的应对和控制方法，而有效的预防事故出现（谭子涵，翟丽娜，2021）。旋转机械由于经常作为动力传递动能，经此可知原委因此在动力、石化、航运等领域广泛应用于现代工业设备，其质量和运行状态会明显的影响到设备状态。在各种旋转机械设备中[12]，滚动轴承发挥重要作用，其和设备安全运行存在密切关系，将旋转零件连接起来而为设备运行提供支持（孔泽楷，贺嘉诚，2021）。从中可得出此结论滚动轴承通常在高温、变速环境中工作。另外，诸如加工误差、不对中、润滑不良等外部因素也会使轴承表面受到不同程度地损坏，因此滚动轴承出现损坏的可能性很高，因而应针对性的进行处理（辛鹏程，朱梦瑶，2023）[13,14]。如果发生故障，靠近它的其他零件也会受到影响，这将改变整个旋转机械的运行状态，并最终降低旋转机械应用性能，这在一定程度上阐明且导致各类型的事故。因而在机械设备故障检测领域，滚动轴承的检测、诊断是其中的最重要内容，表现出很高的市场潜力和应用价值。1.2轴承故障诊断历史机械设备故障诊断是一门工程技术学科，基本方法为信号处理方法及模式识别，具有较强的理论性及一定的实践性[15]。机械设备故障诊断相关的研究起步于上个世纪60年代，阿波罗计划由于机械设备故障原因频频失败，为此美国政府管理部门设置专业的机械故障预防小组[16]。随后，英国成立了机械维护中心，其以保证机械正常运转为中心来进行科学探究，并将结果运用到了诸多能源领域（何启航，黄景云，2018）。这在某种程度上表征了英国公司对机械故障预防的关注，为企业生产带来一定的安全保障。上世纪70年代，日本高校、研究机构及部分企业开始致力于机械故障诊断的机理研究及应用研究。同时，欧洲诸多国家也成立故障诊断研究中心。如上世纪七十年代法国电力管理部门针对汽轮发电机组状态监测。现如今，随着“智能维护系统(IMS)中心”的成立，美国密歇根大学在故障领域大放异彩。法国贡皮埃捏技术大学在基于振动信号故障诊断领域也取得一定成果（阎天佐，齐嘉言，2019）[17]。与发达国家相比，我国在该领域发展起步较晚。最早源于上个世纪80年代的首届设备诊断技术大会。随着我国加大故障诊断领域的研究力度，与此相关的成果也大量出现，在实际应用中取得良好的效果（胡睿德，甘博远，2018）[18]。从这些情况中反映清华学者在研究过程中具体分析了风机设备的故障诊断问题，且制定出与此相关的方案，在应用过程中取得良好效果。上海交大则设置国家级重点实验室进行故障诊断和检测相关研究(朱晓彤,张昊天,2021)。近些年来，我国在工程中开始广泛的应用故障诊断相关技术，在应用中取得良好的效果。如对环境恶劣条件下的振动信号采集后进行综合分析，而确定出设备故障相关情况；北京化工大学提出了机械故障自愈理论(付钰莹,成锦程,2023)。声发射技术[19，20]、温度检测法[21]、油屑检测法[22]和振动信号分析法[23~25]。为当前机械故障诊断领域主流方法。其中，在此类条件下不难推断出振动信号分析法最为流行。但由于目前机械设备的一体化程度较高，导致零部件之间振动信号耦合严重。当轴承故障情况下对应的信号也出现明显变化，开始变得非平稳且非线性(林雪茹,赵怡忠,2022)[26，27]。因此，对轴承进行故障诊断，从频率复杂的振动信号中提取目标信号是此方面的研究重点。为此，国内外众多学者提出若干方法，如傅里叶变换[28]，小波变换[29，30]，Wigner-Ville[31]，经验模态分解[32]等，但依旧具有许多难以弥补的缺陷。近些年来，基于智能故障诊断方法的滚动轴承故障诊断也受到各界学者的关注。智能故障诊断方法能自动提取特征，通过这些细节表明这个特点是与传统基于振动信号分析方法的本质区别（陈嘉伟，孔雨菲，2018）。滚动轴承智能诊断过程可选择不同的方法，在其中应用比例较高的如监督学习、半监督学习。其中，监督学习这一类别在其他领域发展较为成熟。其输入为带有标签的数据集，利用模型提取信号特征。将模型参数训练至最优后，将测试集输入模型，在此特定环境中情况一目了然即可将测试信号进行模式识别(付卓忠,吕佳俊,2022)。从数据集大小来说，相较于传统方法，智能诊断方法可处理海量数据，且结果更为准备，但美中不足之处在于模型自动提取的特征难以解释。机器学习在各个领域大放异彩，这也将滚动轴承的故障诊断向智能化推进(杨天明,吴梦琪,2019)[33]。1.3轴承故障诊断方法研究现状1.3.1国外发展现状上世纪六十年代国外相关滚动轴承的运行状态检测研究开始起步，其后发现过程中各种高性能的检测技术和方法也被大量的提出，滚动轴承故障诊断性能水平不断提升，可很好的满足复杂条件下的应用要求。滚动轴承故障诊断技术在不断的发展演化基础上目前已经很成熟，根据以上分析其发展历程如下[34]。第一阶段：基于信号变化的诊断方法。与此相关的研究起步于上世纪六十年代，当时Tallian[35]研究振动信号峰值与标准信号的差异情况，且据此来对这种故障进行检测分析。受到信号处理技术相关因素的制约，这种技术的诊断效率不过，不满足实际的应用要求(魏奇彤,韩晓倩,2021)。第二阶段：基于频谱分析的诊断方法。其后的研究过程中Cooley为高效的对这种信号进行处理，而提出了快速傅里叶变换技术，在信号处理方面表现出很高的应用价值（孙启铭，杨一凡，2023）。也为故障诊断领域频谱分析技术的应用打下良好的基础[36]。原始振动数据中一般存在噪音干扰，这样在故障较小时不满足应用要求，检测结果的精确性低。第三阶段：基于冲击脉冲的诊断方法。瑞典学者在针对滚动轴承表面损伤相关的脉冲信号研究时设计出一种脉冲计，这样可以高效的进行信号分析而确定出滚动轴承的故障[37]。这种方法的灵活性高，在滚动轴承的早期故障诊断方面一直被广泛的应用(潘俊辰,廖晨曦,2020)。第四阶段：基于共振解调的诊断方法。上世纪七十年代D.R.Harting在研究过程中根据这方面的应用要求，而进行改进研发出一种“共振解调分析系统”[38]，根据实际的经验可知这种方法对轴承的早期轻微损伤可高效的决策，同时故障的部位也可基于包络分析方法确定出，有明显的优势(谢明辉，唐雨萱,2022)。第五阶段：基于计算机技术的诊断方法。于这样的前提下上世纪九十年代开始，在电子技术的发展带动下，故障诊断系统的性能水平显著提高，可更好的满足复杂条件下的故障检测要求。国外很多公司相继开发出基于计算机信息系统的设备状态监测设备，在应用过程中取得良好的效果。经此可知原委如美国的REBAM系统在风机转子检测中广泛应用，丹麦B&K的COMPASS系统在机车轴承检测中取得好性能优势(田庆阳,王瑞琪,2021)。日本三菱的MHMS机械检测系统则可以对振动设备的故障进行高效检测。俄罗斯DREAM诊断系统在应用过程中也可以很好的满足轴承工况监测相关的要求，且检测的准确性和精度都有一定幅度提高。从中可得出此结论基于计算机的轴承状态监测和诊断方法在应用过程中可方便的进行交互，较高的诊断精确率，因而目前其应用领域不断扩大(胡晨曦,林宇语,2019)。1.3.2国内发展现状国内相关故障诊断技术研究起步较晚，不过在市场需求的促进作用下发展速度快，上世纪七十年代国内此领域的研究主要是引进国外的先进技术和经验，据此满足故障检测和诊断相关要求。其后发展过程中，相关故障诊断的研究不断增加，且提出了很多新的诊断技术和方法。例如，唐德尧研发出一种高性能的JK86411自动试验诊断系统，结果发现在铁路机车的滚动轴承故障诊断方面有明显的优势，这在一定程度上阐明可很好的满足应用要求。赵思远,陈雨彤[39]则具体分析轧钢机轴承的特征，而研发出一种MDS系列轧钢机轴承故障诊断系统，对其性能进行仿真分析，结果发现可很好的满足实际应用要求。刘浩然，林婉清等人[40]基于计算机技术设计出一种滚动轴承状态监测与故障诊断系统，同时对其性能做了测试研究。本研究框架模型的显著特性是其灵活适配与可拓展性。考虑到不同研究背景和需求的多样化，本文在设计模型时，尽量保证各组件的模块化特质，这样就能依据实际情况，灵活调整或替换特定部分，同时确保整体架构的稳定性与有效性不受影响。这种设计理念不仅强化了模型的实际应用价值，还为后续研究者提供了一个开放平台，鼓励他们在现有基础上进行二次开发或优化。国内学者在研究过程中大量的吸收和引进国外的技术和设备，经过不断创新发展，这在某种程度上表征了且在一定的优化基础上建立起与此相关的理论体系。例如，万书亭等人[41]在进行故障检测中应用了小波包和细化包络方法，这样可以对采集的故障信号处理而得到共振频带，提高了算法的应用性能。赵欣怡,马俊杰[42]等对滚珠轴承故障的特征具体分析，而应用了谱峭度法进行分析，且基于最大化原则进行判断，而设计出一种AR模型，从这些情况中反映对原始信号进行处理时先采集确定出其中平稳成分，使得故障特征信息强化，而明显提升了检测的灵敏度。周逸轩,刘家瑶[43]等人将EMD和谱峭度法结合起来进行此方面的检测，在具体处理过程中先基于EMD降噪方法进行原始信号的处理而得到共振带，在此类条件下不难推断出接着对处理后信号通过带通滤波器去除噪音后，利用包络分析方法确定出故障相关情况。夏均忠[44]则结合了EEMD能量熵和LS-SVM方法进行故障检测，在研究过程中先对采集的信号通过EEMD分解成若干固有模态分量，接着筛选而得到含主特征信息的IMF分量确定出能量熵，获得的特征向量对LS-SVM进行训练，从而实现检测功能。第二章滚动轴承滚动轴承在机械设备中有重要的价值，其主要的作用是转换\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滑动摩擦为\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滚动摩擦，从而提高传输效率，减少能耗。其组成单元一般是固定的，主要包括\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"内圈、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"外圈、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"滚动体和保持架。在应用过程中内圈的作用是和轴相配合并旋转，而外圈则起到支撑作用；滚动体分布在内圈和外圈中，通过这些细节表明起到一定运动转换功能，其直接决定了滚动轴承应用性能，因而应该重点进行设计。保持架能使滚动体均匀分布，也可满足一定润滑相关要求。2.1滚动轴承的结构滚动轴承的组成单元主要包括外圈、内圈、滚动体、保持架、润滑剂。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"外圈装在轴承座孔内，在运行过程中一般情况下保持固定。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"内圈装在轴颈上。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"保持架将滚动体均匀隔开，可为其高效运行提供支持，更好的运动。\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"润滑剂在应用过程中可实现润滑、冷却相关的功能。在数据获取环节，本文采用了多种策略，包括问卷调查、实地考察和文献研究等，以确保数据的全面性和可靠性。通过对这些数据进行系统的分析和处理，本文能够有效地验证研究假设，并发现其中的规律和潜在联系。尽管本研究取得了一些成果，但本文也清楚地认识到，任何研究都有其局限性。未来的研究可以在现有基础上进一步深化，特别是在样本的选择、方法的优化以及理论模型的完善等方面仍有很大的发展潜力。2.1.1滚动轴承的特性专业化、先进性、自动化是滚动轴承的三大特性。滚动轴承进行加工时需要应用到大量轴承专用设备，根据以上分析从而更好的满足加工相关要求，如钢球加工采用磨球机、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"研磨机。这种轴承相关的厂家目前已经基本上保持专业分工，如专业生产\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"微型轴承的微型轴承厂等。在这样的大环境下这是专业化的体现(张得地，殷婉婷,2022)轴承的大规模生产过程中需要应用到很多高性能的专业设备。现代化的机床、工装和工艺也都不同程度的应用，且热处理技术也很先进。这是先进性的体现。滚动轴承的自动化生产过程中也用到很多专业设备，相应的自动化水平很高。各种专用和非\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"专用机床都不同程度的应用，此外还有各种\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"装配自动线等。这是自动化的体现。2.1.2滚动轴承的基本特点滚动轴承在应用过程中可实现各方面的作用，研究发现其特征表现为\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦力明显减小，且对应摩擦阻力的功耗大幅度降低，经此可知原委可更好的满足应用要求。主轴承采用滚动轴承情况下对应的节能率可达到30%，而\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"大型球磨机使用滚动轴承也可以很好的满足节能要求(马博涛，陈雨萱,2020)。球磨机的能耗高，从中可得出此结论因而这种情况下可显著的节约费用。滚动轴承具有维修方便，质量可靠的好处。在应用过程中选择这种轴承可避免\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"巴氏合金材料的浪费，相应的管理和应用难度也显著降低，可更好的满足维修相关的要求，此外对供油、供水冷却方面的要求也降低。这在一定程度上阐明这种轴承的专业性高，因而质量往往得到保证，使用寿命长，可更好的满足球磨机使用厂家相关要求。除此之外，滚动轴承还具有其他优点。滚动轴承\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦阻力小，效率高，适用性强，且表现出很强的互换性优势，这在某种程度上表征了在应用过程中可方便地安装和维护；轴向尺寸更为缩小；运行时不容易出现磨损问题，长时间使用后也可以维持精度，因而可很好的满足应用要求(张天涛，陈梦瑶,2020)；部分轴承具有自动调心的性能；既满足大批量条件下的应用要求，同时适用性范围也明显扩大；从这些情况中反映传动摩擦力矩比流体动压轴承低得多，这样在运行过程中不容易出现升温的问题，摩擦性能良好；起动摩擦力矩仅略高于转动\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"摩擦力矩；在此类条件下不难推断出在一定载荷条件下不会产生明显的变形，敏感性降低；少量的润滑剂便就可长时间高效运行，且可靠性也大幅度改善；轴向尺寸小于传统流体动压轴承(韩思敏,朱晨曦,2021)；本研究在既有理论的基石上搭建了本次的框架模型，在信息流和数据分析手段上，均彰显出对过往科研成果的敬重与传承，并依此实现了创新与拓展。起首，在信息流架构层面，咱们参照了经典的信息处理学说，保障信息从收集、传送至分析的各个流程都能高效且精准地运转。经由对数据源头的严谨甄选以及标准化的处置步骤，信息的品质得以稳固，进而更能聚焦于信息流的透明性与可回溯性。相应的承载能力强，可承受复杂的载荷作用力；在很大的载荷-速度范围内，通过这些细节表明和其同类型的轴承相比性能明显的提升；轴承性能对载荷、速度的敏感性低，提升了可靠性[45]。但是，滚动轴承的缺陷也是很明显的。表现为噪音大；成本较高；在良好的润滑和安装情况下，长时间运行后也容易因为接触疲劳而失效。2.2滚动轴承的地位与作用在此特定环境中情况一目了然滚动轴承的应用范围广，在国民经济和国防事业各个领域都表现出较高的应用价值。滚动轴承相关的研究和应用很早就开始了，考古文物发现，早在公元前二百多年前已经出现了青铜制滚动轴承；而意大利和古希腊也在公元前一世纪出现了青铜滚动轴承。工业革命后，于这样的前提下现代轴承工业开始正式出现，十九世纪七十年代德国研发出磨球机，这也为钢球的大规模生产和应用打下良好的基础。自行车、汽车行业的促进下，滚动轴承的需求不断增加，相应的应用范围不断扩大，在代工业中广泛应用(周晓晖,徐婧雯,2022)。滚动轴承的重要性主要体现在以下几个方面：（1）在国民经济中——滚动轴承发挥各方面的价值，如在机械工业的基础产业中都广泛的应用，其使用水平既反映出一个国家机械工业能力，也总体上决定了国家的工业竞争力。经此可知原委轴承工业被称为“机械工业的核心产业”，此外也和民众生活水平密切相关。上世纪七十年代日本开始大力发展滚动轴承，且将其当做为机械工业的重点发展对象。我国也制定出11类特定振兴机械产品发展计划，很多高性能的滚动轴承加工设备也被研发出。从中可得出此结论在国家新确定的520家重点企业中，与此相关的企业数量也不断增加(祁得和，殷婉珍,2021)。《国家重点鼓励技术目录中》，重点说明了轿车轴承、\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"高速轴承，这对此行业的发展和应用有重要意义。（2）在国防事业上——这种轴承也和国家的军事实力密切相关，导弹和飞机的高效运行也和轴承密切相关。这在一定程度上阐明许多军事装备中，轴承都发挥重要的作用，也是其中的重要零部件，轴承制造厂战争情况下的重点打击目标；冷战时期，轴承专用设备的重要性不断提高，成为各国的重点禁运物资。目前很多发达国家对轴承产品和技术也进行严格的封锁和限制，试图阻碍我国的工艺发展。（3）在技术地位上——轴承钢的相关要求高，这在某种程度上表征了也是重要的一种钢铁产品。其冶炼水平也和国家的总体冶金技术水平密切相关。目前我国的钢铁生产技术水平不断提高，不过阀门钢、弹簧钢，轴承钢的性能还不高，国家也对此进行严格的管理和限制。滚动轴承在工程陶瓷相关的领域也获得应用(赵天宇，韩晓燕,2021)。将前文综述中的成果与本阶段的研究及计算结果对照来看，大致相差无几。这首先表明，本研究在方法论层面是行之有效的、值得信赖的。这种相符不仅为先前研究的结论做了验证，也为现有理论框架注入了新的支撑力量。通过严密的研究架构、数据采集以及分析手段，本文能够重现前人研究的核心发现，并以此为跳板展开深入研讨。这既增强了对研究假设的信服度，也坐实了所采用研究方法的科学根基。而且，这种一致性为不同研究间的对比提供了基准，利于构筑更为全面、系统的理论生态。滚动轴承工业在发展过程中最早进行标准化，从这些情况中反映且对应的可靠性水平也明显提高，上世纪四十年代相关轴承工业的可靠性经典理论开始出现，其后发展过程中建立起国标ISO281：1963。2.3滚动轴承的负荷与寿命滚动轴承的各部分在运行过程中疲劳磨损前的运转总转数称作为寿命。此参数的影响因素复杂很复杂，和工作状态以及材料等都密切相关。研究发现同一批生产的轴承在相同条件下运转，在此类条件下不难推断出其寿命指标也存在明显的差异性，同一批次中90%在疲劳剥落前的总转数就是轴承的\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"额定寿命(王悦彤,刘子昂,2021)。和额定寿命密切相关的为额定动载荷，也就是额定寿命为100万转情况下的载荷。额定静载荷性则表示为在对应的塑性变形量达到一定比例条件下承受的载荷。在实际的应用过程中应控制轴承的寿命和载荷都达到较高水平，这样可提升其负荷能力，更好的满足相关应用要求。通过这些细节表明\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"推力轴承的额定载荷是纯\t"/item/%E6%BB%9A%E5%8A%A8%E8%BD%B4%E6%89%BF/_blank"轴向载荷。在实际的应用过程中很多因素都会影响到额定负荷，为更好的满足应用要求，应该将其换算成当量负荷(赵明华,周若彤,2021)。

第三章基于卷积神经网络的轴承故障诊断流程3.1卷积神经网络的基本结构卷积神经网络是一种高性能人工智能工具，其主要的特征表现为引入了卷积结构，可很好的满足复杂条件下的决策要求，是深度学习的代表工具。这种网络有很多种，可基于其阶层结构对输入信息的特征进行划分，通过这些细节表明因而也被称作为“平移不变人工神经网络”[45]。卷积神经网络的组成结构一般是固定的，主要组成部分包括滤波级和分类级。因而从属性分析可知，可将其看作为一种多级神经网络(LeCunYoshuaetal.，2015)(李博文,刘子悦,2017)。卷积层，池化层和激活层等构成了网络的滤波级，在应用过程中可提取输入信号的过滤及数据特征。根据以上分析这种网络在分类过程中主要应用到全连接层。且基于一定的标准划分提取到的特征。通过不断的训练学习优化各层的参数，然后通过网络正常把输入数据与故障目标向量对应起来。（1）基本单位神经元主要是用于模拟生物神经元的结构和特性。其结构如图3-1所示。图3-1典型的神经元结构每一个神经元都拥有不同的权重（weight）和偏置（bias），当输入信号x到达时，它乘以权重值。于这样的前提下如果神经元有3个输入，则它有3个权重值，并且权重会在训练期间进行调整。在这样的大环境下然后将乘积与偏置之和输入到激活函数中得到输出活性值a。其计算公式如式（3-1）所示(朱晓婷,王志涵,2017)。α=σi=1（2）卷积层卷积层（ConvLayer）通过与映射区域进行卷积来提取相应的特征。其作用是将输入数据缩小而方便处理，经此可知原委且不会导致丢失重要的信息。网络中往往有多个卷积层，第一个卷积层在处理过程中主要的作用为采集低级特征，与此相关的特征如渐变方向，边缘等(王子杰,高艺馨,2017)。通过添加卷积层，网络也可以适应高级特征。通常不同层卷积核的大小设置为不同，从中可得出此结论这样可以提高网络的特征提取能力。针对研究进程中误差的约束，本文主要借由一整套严谨的方法和对策，来保证数据的精确性以及结果的稳固性。通过用心制定出精细的研究方案，并且对大概引入误差的种种因素，展开了全面且深入的分析与评判。这囊括但不限于外界环境变量、人员操作的差异性，以及数据计算的精密度等。借助采用标准化的操作步骤与技术手段，来确保数据的协调一致性与可重复性。为更进一步抬升数据的优劣程度，还施行了双通道数据录入和交叉核验机制，进而有效防止因人为疏忽或输入差错致使的数据偏差。在实际的实现过程中，为了减小不必要的操作与开销，一般用互相关运算来替代繁琐的卷积运算。轴承信号序列与卷积核的互相关计算公式如式（2）所示(张宇浩,王思敏,2021)。yt式中w为卷积核，x为信号序列，m为卷积核的宽度，其宽度要远小于信号序列的长度。一维卷积的示例如图3-2所示，这在一定程度上阐明所使用的卷积核参数为[1,0,-1]，卷积后输出信号序列长度l变为了5，计算公式如（3-3）所示。l=n−m+1（3-3）式中m为卷积核的宽度，n为信号序列的长度(江浩然,陆思颖,2021)。图3-2一维卷积示例（3）激活层现代的神经网络模型中为更好的满足应用要求，主要引入非线性激活函数，这种激活函数的优势表现为可以进行组合而形成复杂的映射，这在某种程度上表征了有利于提高网络的性能和应用价值，如在图像，视频，音频相关的处理中都可应用，并提供准确的预测(李思远，张婉清,2023)。激活函数中常用的包括Sigmoid，TanH、整流线性单元（ReLU），其表达式分别如式（3-4）、（3-5）和（3-6）所示。α=Sigmoidxα=TanHxα=ReLUx这三种常见的激活函数图形如图3-3所示。图3-3三种常见的激活函数图像（4）池化层池化层（PoolingLayer）也叫下采样层，其作用是选择合适的特征值作为下一层的传递，降低特征和参数数量，从这些情况中反映进而加快网络训练速度和防止数据过拟合。池化有两种类型：其中包括最大池化和平均池化。其中前一种在应用过程中主要是从内核覆盖的部分返回最大值(李志豪，张婉莹,2023)。而后者则进行类似的操作，返回其中的平均值。通常最大池化在应用过程中也可以很好的消除噪音干扰而更好的满足应用要求也可以高效的进行降维。在此类条件下不难推断出而平均池化的功能相对有限。“最大池化”的性能要比“平均池化”好得多。两者的表达式分别如式（3-7）和（3-8）所示。Ym,nYm,n式中,Rm,nd为所选池化区域。xi为局域图3-4一维最大池化运算示例（5）全连接层全连接层和网络性能密切相关，其在处理过程中主要是将最后池化的输出连接成一维特征向量，通过这些细节表明接着通过特定的分类方法进行特征分类。Softmax的目的是使输出结果正规化，在此特定环境中情况一目了然当输入信号x到达时，它乘以权重值。如果神经元有3个输入，则它有3个权重值，并且权重会在训练期间进行调整(李志宇，张婉如,2022)。然后将乘积与偏置之和输入到激活函数中得到输出活性值a其计算公式如式（3-9）所示。Pi式中ix为全连接层的输出值。通常情况下，神经网络的输出可以是任意值，但任意值的输出不利于解释结果，所以Softmax层将例如输出值是[3,1,-3]这样的矩阵，通过Softmax函数计算后变为[88%,12%,0%]这样的概率矩阵，值越大表示概率越大。这样做不仅可以找到最大概率的分类，根据以上分析而且还可以知道各个分类计算的概率值。Softmax层具体的计算过程如图3-5所示(李嘉伟，张婉清,2022)。图3-5Softmax计算流程示例图（6）损失函数损失函数（Lossfunction）又叫目标函数，损失就是实际计算值与期望值之间的偏差，训练的最终目的是将损失最小化，所以需要选择合适的损失函数。本文研究的故障分类的问题，于这样的前提下因此选择分类交叉熵损失函数来量化当前网络的优劣(李志杰，张婉莹,2022)。交叉熵损失（CrossEntropyError）通过计算最大概率的对数的负数来衡量输出的好坏，其计算公式如式（3-10）所示。关于理论框架的核查与调整，本文斩获了丰沛且详实的数据素材。这些数据不只包罗了广泛的研究对象，还跨越了不同的时间跨度与社会语境，从而为理论框架的周全验证供应了有力凭借。经由统计分析软件对量化数据进行加工，能够有效验测原理论框架中各项目假设，并察觉其中存在的欠缺。后续研究会思考引入更多变量或运用更大规模的样本，以持续提升理论框架的解释能力与预测效能。Loss=−logfz式中fzk是Softmax层输出的最大概率。接着图3-5Softmax层的示例，Softmax输出的结果是[88%,12%,0%]概率矩阵，则损失为−log0.88=0.056。分析公式可以看出，最大概率越大，损失越接近于0，网络输出结果就越准确3.2卷积神经网络的传导过程基于一维卷积神经网络的滚动轴承故障诊断算法流程如图3-6所示，具体步骤为:采集振动信号进行一定的组合而形成数据集，划分训练集和测试集;对前者进行标记，确定出对应标签(每一种故障信号对应一个故障标签)，输入到1DCNN进行模型训练[46]。图3-61DCNN故障诊断流图

第四章案例结果与分析4.1实验装置介绍本文使用了美国西储大学轴承数据中心的轴承试验装置[88]。RockwellScienceCenter曾经完成了一次成功的滚动轴承故障检测试验，并公开分享他们采集到的轴承振动测试信号数据，在这样的大环境下该实验数据得到了业界的高度认可，并被多次用于验证各种轴承故障诊断技术(黄若珊,高凌云,2021)。本文采用该组数据进行验证。该滚动轴承故障诊断实验系统的主要组成包括电动机、扭矩仪、功率计，相关的组成和连接情况如下图4-1。在实验过程中通过传感器采集载荷功率和转速相关的信息，同时确定出扭矩载荷。经此可知原委由测试轴承支持对应的转子，且在此位置设置单点故障进行故障模拟，而设置的故障直径包括7、14、21、28mils。据此来描述出故障的严重性，同时还设置各类型故障，主要包括内圈故障、滚动体故障、外圈故障三种类型(马云辉,陈雨晗,2021)。从中可得出此结论在进行信号采集时，将一个5000Hz的加速计设置在电机的端罩子上，通过记录仪采集试验轴承在各种条件下的转动和振动信息，进行信息采集，设置的采样频率为12kHz。图4-1实验装置平台组成：（1）一个1.5KW（2马力）的电动机（图左侧）；（2）一个扭矩传感器/译码器；（3）一个功率测试计（图右侧）；（4）电子控制器(图中没显示)。本次实验研究过程中对比分析而选择了12K频率条件下的轴承故障数据，在运行过程中电机近似转速为1797转每分钟，设置的故障直径分为0.17、0.35、0.53、0.71mm。根据实验相关要求选择了6205-2RSJEMSKF深沟球轴承。SKF表示为斯凯孚公司(魏睿杰,刘小琪,2022)。轴承的规格为如表4-1所示。表4-1轴承的规格内圈直径外圈直径厚度滚动体直径节径25mm52mm15mm7.94mm39.04mm轴承的故障频率（转动频率Hz的倍数）如表4-2所示。表4-2轴承的故障频率内圈故障外圈故障保持架故障滚动体故障5.41523.58480.398284.71354.2实验结果与分析本次实验采用keras框架。共600组数据，其中500组数据用来训练卷积神经网络，100组数据用来验证训练结果。随着500次训练的进行，可以明显看到精度（accuracy）在不断提高，损失（loss）在不断降低，如图4-2、图4-3所示(方慧敏,赵思涵,2022)。图4-2训练精度与验证精度图4-3训练损失与验证损失由图4-2可知，训练到第五百次时，精度已经很接近1。由python显示的运行结果（图4-4）来看，最后的验证精度（val_accuracy）可达0.9759183526039124，验证损失（val_loss）可达0.13909408311293434。这说明基于卷积神经网络进行滚动轴承故障检测，可以达到极高的准确度。图4-4运行结果

第五章结论轴承是现代工业文明中不可或缺的重要零部件，一旦发生事故，便会带来十分严重的损失。因此，各国技术人员和学者在对轴承故障诊断的研究过程中，投入了大量的时间和精力，开发出了多种多样的轴承故障诊断方法和技术，特别是在人工智能技术得到广泛运用的年代，轴承故障诊断技术的进展也突飞猛进，形成了成套的诊断系统和软件。在不同的设备和诊断领域上，各种轴承诊断方法均取得了十分不错的成果。卷积神经网络作为深度学习的代表，具有极强的性能。用它来检测滚动轴承故障，可以达到极高的准确度。本文提出的基于卷积神经的滚动轴承故障检测模型准确度可以达到97.59%。这对比以前的滚动轴承故障诊断方式，具有更高的优越性。参考文献[1]ANONYM.Thecasewesternreserveuniversitybearingdatacenter[EB/ OL].(2015-10-11)./bearingdatacenter/pages/download -data-file(accessed11October2015)．[2]申世英.滚动轴承故障预测关键技术研究[D].沈阳:沈阳理工大学,2014.[3]李逸飞，王梓萱.基于深度学习的滚动轴承故障诊断研究综述[J].设备管理与维 修，2022(18):130-133.[4]JiangL,ShiTL,etal.FaultdiagnosisofrollingbearingsbasedonMarginal Fisheranalysis[J].JournalofVibrationandControl,2014,20(3):470-480.[5]VanHeckeB,etal.Bearingfaultdiagnosisbasedonanewacousticemissionsensor technique[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartO: JournalofRiskandReliability,2015,229(2):105-118．[6]XuJ,TongSG,etal.Theapplicationoftime-frequencyreconstructionand correlationmatchingforrollingbearingfaultdiagnosis[J].Proceedingsofthe InstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineering Science,2015(17):3291-3295．[7]金子睿，洪浩宇.滚动轴承故障诊断技术的研究[J].科技信 息,2023(36):114,131.[8]谭子涵，翟丽娜,etal,ApplicationofHilbert-HuangTransformtoacoustic emissionsignalforburnfeatureextractioninsurfacegrinding process[J].Measurement,2021,47(1):14-21.[9]孔泽楷，贺嘉诚.基于谱峭度及原子分解的滚动轴承故障诊断方法研究[D].上海:上海大学, 2021.[10]辛鹏程，朱梦瑶.基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D].长春工业 大学,2022.[11]何启航，黄景云.电机轴承的智能故障诊断与性能退化趋势预测[D].江南大学,2018.[12]阎天佐，齐嘉言.滚动轴承故障的全矢小波分析[J].轴 承,2011(03):45-47.[13]胡睿德，甘博远.滚动轴承故障特征提取与诊断方法研究[D].华北电力大学(北京),2016.[14]DingX,HeQ,LuoN.Afusionfeatureanditsimprovementbasedon localitypreservingprojectionsforrollingelementbearingfault classification[J].JournalofSoundandVibration,2015,335:367-383.[15]朱晓彤,张昊天.机械故障诊断理论与方法[M].西安交通大学出版社,2009.[16]付钰莹,成锦程.基于小波降噪和经验模态分解的滚动轴承故障诊断[D].哈尔滨工业大 学,2013.[17]林雪茹,赵怡忠.基于时频分析的滚动轴承故障诊断方法研究[D].[18]陈嘉伟，孔雨菲.基于ESMD和SVM的滚动轴承故障诊断研究[D].2018.[19]Kilundu,X.Chiementin,J.谭子涵，翟丽娜lostationarityofAcousticEmissions(AE)for monitoringbearingdefects[J].Mechanical田庆阳,王瑞琪temsandSignalProcessing,2011,25: 2061-2072.[20]Carrasco,B.Charnley.TheapplicationofspectralkurtosisonAcousticEmission andvibrationsfromadefectivebearing[J].Mechanical田庆阳,王瑞琪temsandSignal Processing,2011,25:266-284.[21]Tchakoua,R.Wamkeue,M.Ouhrouche,etal.WindTurbineConditionMonitoring: State-of-the-ArtReview,NewTrends,andFutureChallenges[J].Energies,2014,7: 2595-2630.[22]Kharche,SV.Kshirsagar.ReviewofFaultDetectioninRollingElement Bearing[J].InternationalJournalofInnovativeResearchinAdvanced Engineering,2014,1(5):2349-2163.[23]Sun,H.Windturbinefaultdetectionusingmultiwaveletdenoisingwiththe data-drivenblockthreshold[J].AppliedAcoustics,2014,77:122-129.[24]Ming,W.Zhang,ZY.Envelopecalculationofthemulticomponentsignalandits applicationtothedeterministiccomponentcancellationinbearingfault diagnosis.Mechanical田庆阳,王瑞琪temsandSignalProcessing.2015,50-51:70-100.[25]Zimroz,W.Bartelmus,T.Barszcz,etal.Diagnosticsofbearingsinpresenceof strongoperatingconditionsnon-stationarity-Aprocedureofload-dependent featuresprocessingwithapplicationtowindturbinebearings.Mechanical 田庆阳,王瑞琪temsandSignalProcessing,2014,46(1):16-27.[26]杨天明,吴梦琪.经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究[D].[27]魏奇彤,韩晓倩.基于分形学的故障诊断文献综述[J].变频器世界,2016(6):69-71.[28]孙启铭，杨一凡.Agrawal.NewTrendsInWindTurbineConditionMonitoring 田庆阳,王瑞琪tem[J].InternationalJournalofEmergingTr