高端装备智能诊断与预测：基于传统机器学习的高端装备故障智能诊断教学课件

《高端装备智能诊断与预测》第二章基于传统机器学习的高端装备故障智能诊断主讲人：2.1

引言2.2基于K-means的故障智能诊断2.5

混合智能故障诊断2.6本章小结2.3

基于人工神经网络的故障智能诊断2.4

基于支持向量机的故障智能诊断讲义提纲22.1

引言基于传统机器学习的高端装备故障智能诊断流程·数据采集：

机械设备的监测信号中虽然蕴含了设备的健康状态信息，为全面掌

握装备的健康状态，工程实际中经常依靠多物理源传感网络，采集装备的多源

监测信号，如振动、声发射、转速、温度、电流等。数据采集·

振动·

声

发

射·

温

度3基于传统机器学习的高端装备故障智能诊断流程·特征提取：为解析多源监测信号中装备的健康信息，需要凭借统计分析手段，

如时域分析、频域分析、时频分析等，提取信号的数字特征，发现特征量的变化规律，表征设备的健康状态。数据采集·

振

动·

声发射

·

温

度特征提取·

时域分析·

频域分析·

时频分析2.1

引言基于传统机器学习的高端装备故障智能诊断流程·

特征选择：

提取的大量数据特征中存在不相关或冗余信息，因此，需要借助特

征选择技术，剔除冗余或不相关特征，避免“维数灾难”,提高智能诊断效率，

达到去粗取精的目的。特征选择·

主成分分析·

特征评估·

信息熵数据采集·

振

动·

声发射

·

温度特征提取·

时域分析·

频域分析·

时频分析2.1

引言基于传统机器学习的高端装备故障智能诊断流程·

健康状态识别：

优选得到的敏感特征隐含机械设备不同的健康信息，需要结合

智能模型，建立敏感特征与机械设备健康状态之间的非线性映射关系，获得智

能诊断模型，最终高效、自动地识别机械设备的健康状态。数据采集·

振动·

声发射·

瞬时转速特征提取·

时域分析·

频域分析·

时频域分析特征选择·

主分量分析·

距离评估·

信息熵故障分类·

ANN·

SVM·

混合模型2.1

引言讲义提纲2.1引言2.2基于K-means的故障智能诊断2.3基于人工神经网络的故障智能诊断2.4基于支持向量机的故障智能诊断2.5混合智能故障诊断2.6本章小结72.2.1K-means算法基本原理K-means聚类算法·K-means聚类算法是一种无监督学习算法，同时也是基于样本类别划分的聚类

算法。其核心在于迭代调整簇中心，最小化簇内数据点到该簇中心之间的距离。·给定一个包含n个数据的训练样本集Ω

,

即

：样本容量。·给定样本集中的簇中心为：的个数。

82.2.1K-means算法基本原理相关定义·

欧式距离：衡量数据样本x;与簇中心c,的度量准则，即欧几里得距离，表示为：·

同一簇的中心点为c;:…,d;j=1,2,.…,K→同

一

簇的样本个数。·

聚类过程的目标函数，通常采用类内误差平方和：簇的个数。9·

步

骤

二：第1次迭代更新：将训练样本Ω按照相似度最高原则，即类内误差平

方和最小的原则分配到距离最近的一簇。若|I

则x被划分

为

类

别c,中

。K-means聚类的一般步骤：·

步骤一：给定簇个数K,

初始化簇中心

y

数；2.2.1K-means算法基本原理K-means

聚类t代表迭代次102.2.1K-means算法基本原理K-means

聚类K-means聚类的一般步骤：·

步骤三：按照下式更新簇中心：第τ轮迭代后第j个簇中的样本总数。·

步骤四：

若

≠

,令t=T+1,

并重新开始执行步骤二，重复迭代计

算。若,则算法收敛，目标函数取得极小值，计算完毕。11

2.2.2

锥齿轮传动箱故障智能诊断实验台及数据简介·

以锥齿轮传动箱为诊断对象，识别其4种健康状态：大齿轮齿面剥落、小齿轮

齿面剥落、大小锥齿轮均发生齿面剥落的复合故障。在测试齿轮箱外侧安装加

速度传感器采集轴承的振动信号。·

截取锥齿轮振动信号的采样点组成监测数据样本，再由样本组建故障数据集。实验平台

滚动轴承故障数据集健康状态训练样本数测试样本数样本标签正常50501大齿轮齿面剥落50502小齿轮齿面剥落50503复合故障50504

2.2.2

锥齿轮传动箱故障智能诊断特征提取与降维·

分别提取数据集中样本的16种时域特征(均方值、方根幅值、偏斜度等)、6

种频域特征(频谱重心、频谱峭度、频谱二阶矩等)、以及4层小波包分解后

的频带能量占比，共38个特征并构建特征集合。·

考虑到不同特征对锥齿轮健康状态变化的敏感程度不同，结合基于主成分分析

(Principal

Component

Analysis,PCA)

的特征降维方法对构造的故障特征集

进行维数约简，提取出敏感程度较高的特征子集。·利用PCA

算法将构造的特征数据集进行维数约简，设置降维后的样本特征维数

为3

,

输入基于K-means算法进行聚类分析。13

2.2.2

锥齿轮传动箱故障智能诊断诊断结果·将训练集输入K-means聚类算法中，并绘制训练样本的等高线图，如右图所示。由图可以

看出，4种不同健康状态的样本不仅被明显地

区分开，并且同种健康状态的样本均聚集在

聚类中心附近，即同类聚集紧密，异类不相

混叠，各类之间的间距较大，聚类效果良

好

。·将PCA算法降维后的数据集划分为训练集与测试集，其中，随机从数据集中选取50%的样本，组成训练集，且每种健康状态下的样本数量相同，剩余的样本组成测

试

集。

聚类等高线图14

2.2.2

锥齿轮传动箱故障智能诊断诊断结果·利用拟合完成的K-means

智能模型对测试样本的健康状态进行识别，识别精度如下表所示，结果表明智能模型能够有效识别大/小齿轮齿面剥落及其复合故障等

典型锥齿轮故障。基于K-means智能模型对锥齿轮健康状态的识别精度正常大齿轮齿面剥落小齿轮齿面剥落复合故障聚类准确率训练样本(+/M)50/5050/5050/5050/50100%测试样本(+/M)50/5050/5050/5050/50100%注：表中“+”为正确分类样本数，

“M”

为样本总数。15讲义提纲2.1引言2.2基于K-means的故障智能诊断2.3基于人工神经网络的故障智能诊断2.4基于支持向量机的故障智能诊断2.5混合智能故障诊断2.6本章小结162.3.1

人工神经网络基本原理>

神经元模型定义：神经元模型是ANN中的基本处理单元，单个神经元模型相互连接，构成了

神经网络系统。在神经元模型中，神经元接收来自其他n

个神经元传递过来的输

入信号，将这些信号通过加权求和连接起来进行传递，神经元将接收到的总输入

值与阈值进行比较，再通过激活函数处理给出适当的输出。神经元模型17激活函数定义：非线性激活函数是神经元模型的核心，用于控制输入对模型输出的激活作用。带激活函数的模型输出一般表示为：非线性激活函数。sgn(x)(a)2.3.1

人工神经网络基本原理式

中

，x;为第i个神经元的输入；

W;

为第i个神经元的连接权值；

b

为偏置；

g(

·)为sigmoid(x)

1e{0.,<

0阶跃函数

(b)Sigmoid

函数4sgn(x)1

x典型的神经元激活函数182.3.1

人工神经网络基本原理激活函数的基本特征·

非

线

性：人工神经元有激活或抑制二种不同的状态，这种行为在数学上表现为

一种非线性关系。·

非局限性：一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要

由单元之间的相互作用、相互连接所决定。·非常定性：

神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，

非线性动力系统本身也在不断变化。·非凸性：

非凸性是指决定系统演化方向的状态函数有多个极值，故系统具有多

个较稳定的平衡态，这将导致系统演化的多样性。192.3.1

人工神经网络基本原理感知机及其逻辑运算定义：感知机由两层神经元组成，输入层接收外界输入信号后传递给输出层，输

出层是M-P

神经元，亦称“阈值逻辑单元”。感知机能够容易地实现逻辑与、或、与

：令W₁=W₂=1,b=-2,则y=g(1·x₁+1·x₂-2),

仅在x₁=x₂=1

时

，y=1。或

：令

W₁=W₂=1,b=-0.5,则y=g(1

·x₁+1·x₂-0.5),当x₁=1

或x₂=1

时

，y=1。非

：令W₁=-0.6,W₂=0,b=0.5,

则y=g(-0.6·x₁+0·x₂+0.5),

当x₁=1时，y=0;x₁=0

时

，y=1。·y·非运算。·输入层

输出层两个输入神经元的感知机网络示意图x₁Cx₂C20感知机及其逻辑运算·感知机可以解决线性可分的与、或、非问题；但无法解决“异或”这样简单的非线性可分问题。划分超平面，右边为

“+”,左边为“—

”(1,1)十(0,0)

(1,0)

x₁x₂(0,1)十(0,0)

(1,0)X₁2.3.1

人工神经网络基本原理线性可分的“与”

“或”

“非”问题与非线性可分的“异或”问题(b)

“与”问题(x₁Vx₂)(c)“非”问题(一x₁)(d)“异或”问题(x₁④x₂)(a)

“与”问题(x₁人

x₂)(0,1)21(1,1)X₂多层网络·神经网络的每层神经元与下一层神经元全互连，神经元之间不存在同层连接，也不存在跨层连接，这样的神经网络结构通常称为“多层前馈神经网络”。x₁

X₂

X₃x₁

X₂

X₃2.3.1

人工神经网络基本原理输出层隐层输入层输出层隐层2隐层1输入层(b)双隐层前馈网络

22(a)单隐层前馈网络2.3.1

人工神经网络基本原理反向传播网络定义：

反向传播网络

(Back

Propagation

Neural

Network,BPNN)是应用最为广泛的ANN模型，是一种基于误差反向传播算法进行监督训练的多层感知机，其

训练过程由前向传播与反向传播组成。特点：BPNN

本质上是一种由输入到输出的映射，它不需要任何输入和输出之间的精确数学表达式，只要用已知的输入/输出数据对BPNN加以训练，网络就能够

学习从输入到输出的映射能力。BPNN

的输出误差判定方法须采用最小二乘法，各层加权系数的调整须采用梯度下降法。BP

算法的学习过程主要分为信号的正向传播过程和误差的反向传播过程。232.3.1

人工神经网络基本原理训练反向传播网络基于反向传播算法的随机梯度下降训练步骤：·输入：训练集D={(x;,y;|∈Rd,yi∈R¹,i=1,2,…,m};验证集V;学习率η;网络层数L;

神经元数量m,1≤l≤L.·输出：训练好的权重矩阵ω和偏置向量b。·

步骤一：随机初始化权重矩阵w和偏置向量b,

对训练集D中的样本随机重排序·

步骤二：

当前迭代训练次数n∈1,2,…,T,

或者判断目标函数值的变化大于ε,

依次执行步骤3～步骤7242.3.1

人工神经网络基本原理训练反向传播网络基于反向传播算法的随机梯度下降训练步骤：·

步骤三：从训练集D

中选取样本(xi,yi).·

步骤四：前馈计算每一层的净输入z①和激活值x①,

直到最后一层。·

步骤五：反向传播计算每一层的误差δ①)·

步骤六：计算每一层参数的梯度·

步骤七：沿目标函数的负梯度方向对参数进行更新25实验台及数据简介·

滚动轴承数据集源自552732QT

型机车轮对轴承。被测轴承包括9种健康状态：

正常、外圈故障、内圈故障、滚动体故障、外圈与内圈的复合故障、外圈与滚

动体的复合故障、内圈与滚动体的复合故障，以及外圈、滚动体与内圈的复合

故

障

。·

每种健康状态的样本均在转速约500r/min

、径向负载约9800N下采集，采样频率设置为12.8

kHz

。数据集共有样本450个。每种健康状态下的样本为50个。每个样本包含8192个采样点。

机车轴承测试台架结构

2.3.2

机车轮对轴承故障智能诊断262.3.2

机车轮对轴承故障智能诊断特征提取与选择·通过集成经验模式分解

(EnsembleEmpiricalModeDecomposition,EEMD)

将每个样本分解为多个本征模态分量

(Intrinsic

Mode

Function,IMF)。·考虑到并非所有的IMF

均对轴承健康状态的变化敏感，因此根据峭度指标选择

敏感IMF

。正常样本的IMF峭度均值小于故障样本，而且当IMF峭度标准差较

小时，故障样本与正常样本更易区分。故选择峭度较小的IMF

分量作为特征。·提取4种时域特征—标准差、峭度、波形指标、脉冲指标，6种频域特征—频谱

均值、频谱均方根、频谱标准差、外圈特征频率峰值比、内圈特征频率峰值比、

滚动体特征频率峰值比，以此作为ANN的输入。27

2.3.2

机车轮对轴承故障智能诊断健康状态识别·随机选取50%的样本，对BPNN智能诊断模型进行训练，剩余50%的样本对模型

性能进行测试。分别构建基于径向基网络

(RBFNN)和小波神经网络

(WNN)的智能诊断模型，与BPNN进行对比验证。·基于BPNN的智能诊断模型对测试样本集的识别精度为67.56%,显著低于另外两

种诊断模型的训练精度，说明基于BPNN

的智能诊断模型存在严重的过拟合现象。基于ANN

的智能诊断模型的诊断精度(%)BPNNRBFNNWNN训练集50/5050/5049/50测试样本集50/5049/5048/50282.1

引言2.2

基于K-means的故障智能诊断2.5

混合智能故障诊断2.6

本章小结2.3

基于人工神经网络的故障智能诊断2.4

基于支持向量机的故障智能诊断讲义提纲2.4.1

支持向量机基本原理支持向量机基本原理·

基

本

原

理：给定训练数据集D={(x;,yi),i=1,2,…

,m},yi∈(-1,+1),

若

xi∈R”,

则分类任务旨在寻找r-1维超平面f(x)以区分不同类别的样本。f(x)=wx+b=0超平面的位移项。分类超平面的法向量。·为了将两类样本分开，分类超平面应该满足如下条件：yf(x;)=y;(wTx+b)≥1302.4.1

支持向量机基本原理支持向量机基本原理·若训练集中所有样本均能被某超平面正确分开，而且与超平面最近的

不同类样本之间距离最大，即边缘间距最大化，则该超平面为最优超

平

面。·训练集中与最优超平面最近的不同类样本称为支持向量，一组支持向

量可以唯一确定一个超平面。

SVM

旨

在寻找最优超平面，以提高学习

模型的泛化性能。31s.t.y,(w¹x,+b)≥1,i=1,2…,m·可以通过拉格朗日算子法转换为其“对偶问题”求解上

述凸二次规划问题。·寻找最大间隔划分超平面，即确定超平面参数w

与b,使γ最大，因此存在以下优化问题：2.4.1

支持向量机基本原理·

左图中，两个不同类支持向量到超平面的距离之和为：线性SVMSVM示意32软间隔·软间隔：中当样本集中存在噪点时，线性SVM难以获得一个能够将所有不同类别的样本均正确划分开的最优超平面，即使这样的超平面存在，也无法排

除过拟合问题。因此，引入“软间隔”的概念，区别于“硬间隔”,软间隔

允许SVM

误分少量样本。其优化目标为：·

软间隔允许一些样本点位于间隔内部，从而提高了模型的鲁棒性和泛化能力。2.4.1

支持向量机基本原理·式中，C

为惩罚因子，to/1为“0/1损失函数”,可表达为：33非线性SVM·对于非线性分类问题，首先利用非线性映射将样本集从原空间映射至高维特征空间，再在高维空间内求最优超平面。值得注意的是，核函数的选择对

SVM

的性能至关重要。以下是一些常用的SVM

核函数。常用核函数名称表达式参数线性核k(x,x;)=x|x;/多项式核k(x,x)=(x,x,)“d≥1为多项式的次数高斯核σ>0为高斯核的带宽拉普拉斯核σ>0Sigmoid核k(x,x;)=tanh(Bxx,+θ)tanh为双曲正切函数，β>0,θ<02.4.1

支持向量机基本原理件警挫瞬▶>0,θ<034数据获取·以多级行星齿轮箱为诊断对象，应用

SVM

识别其8种健康状态。·每

种

健

康

状

态

的

信

号

均

在

转

速

为

2100r/min及磁粉制动器的加载电流为

0.5A下采集。每截取2560个采样点组成

一个样本，获得8种行星齿轮箱健康状

态的样本共800个，每种健康状态所对

应的样本为100

个。随机选取其中20%

的样本训练基于SVM

的智能诊断模型，

剩余80%的样本测试诊断模型性能。健康状态样本个数|样本标签正常1001第一级太阳轮点蚀1002第一级太阳轮齿根裂纹1003第一级行星轮齿根裂纹1004第一级行星轮剥落1005第一级行星轮轴承裂纹1006第二级太阳轮剥落1007第二级太阳轮缺齿1008

352.4.2

行星齿轮箱故障智能诊断多级行星齿轮箱故障数据集·提取数据集样本的11种时域特征与13种

频域特征，将这24种特征组成特征数据

集。利用Fisher

特征选择准则计算这些

特征的Fisher

得分，评估特征对故障的

敏感度。·

每种特征对行星齿轮箱健康状态的敏感

程度不一。根据Fisher得分由高到低排

序，选取得分最大的前半数敏感特征作

为智能诊断模型的输入。2.4.2

行星齿轮箱故障智能诊断特征提取与选择36核宽度惩罚因子C11010²10³10⁴10⁵10⁶10710810⁹168.2883.5984.6992.0393.4493.5993.5993.5993.5993.591069.6973.9183.4487.1995.3197.1997.3497.3497.3497.3410²66.7270.0176.5684.0687.1996.0997.8197.8197.8197.8110³66.2566.4170.0177.3484.3887.0396.4197.5197.3497.3410⁴66.0966.0966.5670.0177.6684.5387.0393.2894.2291.5610⁵66.0966.0966.0966.5670.0177.6684.8487.0388.1388.2810⁶66.0966.0966.0966.0966.5670.0177.5185.7885.3185.7810766.0966.0966.0966.0966.0966.4169.6976.2578.4477.3410866.8866.8866.8866.8866.8866.8867.1968.2869.5368.1310963.1363.1363.1363.1363.1363.1363.1365.9463.9162.19健康状态识别·基于软间隔约束的非线性SVM

构建智能诊断模型。利用训练样本的敏感特征子集对智能诊断模型进行训练后，可得模型在测试样本上的诊断精度结果。基于SVM

的智能诊断模型的诊断精度(%)2.4.2

行星齿轮箱故障智能诊断372.1

引言2.2基于K-means的故障智能诊断2.5

混合智能故障诊断2.3

基于人工神经网络的故障智能诊断2.6本章小结2.4

基于支持向量机的故障智能诊断讲义提纲382.5.1

混合智能诊断基本原理混合智能诊断基本原理混合智能诊断原理混合智能诊断根据不同方法之间的差异性和互补性，扬长避短，优势互补，并结合不同的信号处理和特征提取方法，将它们集成或融合，以提高诊断系统的敏感性、鲁棒性、精确性。该技术秉承“分而治之”和“优势互补”的原理。39时域特征提取·混合智能诊断模型采用多分类器集成的基本框架，通常由以下两种诊断模式。·①对同一输入信号，首先采用不同的信号预处理与特征提取方法，获取信号中蕴含的高端装备相互独立又互补的多层次健康信息，然后融合同一分类策略的

诊断结果。·②对同一输入信号，首先采用完全相同的信号预处理与特征获取方法，然后融合不同分类策略的诊断结果。2.5.2

混合智能诊断模型40混合智能诊断模型·多分类器集成模式下的混合智能诊断模型包括三个重要环节：多域特征提取、特征选择、多分类器诊断结果融合。右图所示为多

自适应模糊推理系统

(AdaptiveNeuron-based

Fuzzy

Inference

System,ANFIS)集成的混合智

能诊断模型。2.5.2

混合智能诊断模型多ANFIS

集成的混合智能诊断模型411.均值5.峰值xp=max|x(n)9.裕度指标2.标准差6.波形指标10.偏斜度3.方根幅值7.峰值指标11.峭度4.均方根值8.脉冲指标x(n)为信号的时域序列，n=1,2,….,N;N为样本点数。2.5.2

混合智能诊断模型时域特征提取4212131415161819s(k)为信号x(n)的频谱，k=1,2,…,K;K为谱线数；f是第K条谱线的频率值。2.5.2

混合智能诊断模型频域特征提取4320212223124s(k)为信号x(n)的频谱，

k=1,2,….,K;K为谱线数；f是第K条谱线的频率值。2.5.2

混合智能诊断模型频域特征提取442.5.2

混合智能诊断模型特征评估技术·特征评估技术通过特征间的距离大小来评估特征敏感度，其评估原则是：同类

样本的类内距离最小，不同类样本的类间距离最大。符合这一原则的特征为敏

感特征。若属于同一健康状态样本的某一特征的类内距离越小、不同健康状态

的类间距离越大，则该特征对此类健康状态越敏感。·假设具有C

类健康状态的特征集为：9m,c,m=1,2…M

。;c=1,2…,C;j=1,2…J}第c类健康状态的样本数。属于第c类健康状态的第m

个样本的第j

个特征。每一类健康状态的特征个数。452.5.2

混合智能诊断模型特征评估技术特征评估技术的一般步骤：·步骤一：计算属于第c

类健康状态样本的第j

个特征的类内距离。·步骤二：计算C

类健康状态样本的第j

个特征的类内距离的平均值。46·步骤四：计算属于C

类健康状态的第j

个特征的平均值。

C,e=1,2,...,C,

C≠e·步骤五：计算属于C类健康状态的第j

个特征的平均值。反映了利用第j个特征对C

类健康状态进行分类的难易程度。该值越大则第j个特征对C

类健康状态越敏感。472.5.2

混合智能诊断模型特征评估技术·步骤三：计算属于第c

类健康状态的M.

个样本的第j

个特征的平均值。2.5.2

混合智能诊断模型自适应模糊神经网络

(ANFIS)·ANFIS是一个集成的模糊Sugeno

模型，通过神经网络实现并优化模糊推理系统。·ANFIS构建了一些列if-then规则和隶属度函数来描述复杂系统的输入和输出之

间的关系。首先，通过专家经验初始化模糊规则和隶属度函数；其次，通过修

正if-then模糊规则和隶属度函数达到最小化输出误差的目的。·假设模糊推理系统的输入x

、y与输出z之间存在如下模糊规则：规

则

1

:

if

(xisA₁)and(yisB₁)then

(z₁=P₁x+q₁y+r₁)规

则

2:

if(xis

A₂)and(yisB₂)then(z₂=P₂x+q₂y+r₂)为抽取输入-输出之间的模糊规则，构建如下具有五层结构的ANFIS网络结构：48·模糊化层模糊化层将输入变量模糊化，输出对应模糊集的隶属度。以A₁

和A₂

节点为例，其模糊隶属度函数表示为：式

中

：·钟形隶属度函数·

a、b;、c;为第一层需

要训练的条件参数。ANFIS网络结构A₁XA₂B₁yB₂模糊化层2.5.2

混合智能诊断模型自适应模糊神经网络

(ANFIS)49ANFIS网络结构A₁XA₂B₁yB₂·

模糊化层·规则层规则层的每个节点M充当简单的乘法器，其输出代表了每条推理规则

的使用度，计算如下：①,=uA(x)·uB(y),i=1,22.5.2

混合智能诊断模型自适应模糊神经网络

(ANFIS)模糊化层

规则层502.5.2

混合智能诊断模型自适应模糊神经网络

(ANFIS)·

模糊化层·规则层·

正规化层正规化层节点N

对规则层输出的各条规则的激励强度进行归一化处理，

其输出的计算如下：模糊化层

规则层

正规化层ANFIS网络结构Xy51·模糊化层ANFIS网络结构·规则层A₁·正规化层·

解模糊层解模糊层每个节点

F;的传递函数为

线性函数，用以计算每条规则的输

出，其计算如下：式

中

：·Pi

qi、r.为需要训练的结论参

数

。W₂XA₂B₁yW₂B₂模糊化层

规则层

正规化层

解模糊层2.5.2

混合智能诊断模型自适应模糊神经网络

(ANFIS)F₂MMF₁NN@₁W₂52·模糊化层·规则层·正规化层·解模糊层·

输出层输出层的节点S计算所有规则的输出之和，其计算如下：2.5.2

混合智能诊断模型自适应模糊神经网络

(ANFIS)模糊化层

规则层

正规化层

解模糊层

输出ANFIS网络结构Xy532.5.3

电动机滚动轴承故障智能诊断数据介绍·

以

电机滚动轴承为诊断对象采集实验数据，在电机驱动端安装加速度传感器采

集轴承的振动信号。共包含4种健康状态：正常、外圈故障、内圈故障与滚动

体故障。其中，每种故障类型均通过电火花加工方式模拟了三种损伤程度，损

伤直径分别为0.18

mm、0.36mm

和0.54

mm。·在测试过程中，通过安装在电动机驱动端的加速度传感器采集振动信号，采样

频率为12

kHz

。将采集的振动信号分割为若干个样本，共获得不同健康状态、

不同工况下的样本600个，样本涵盖了三种不同的损伤程度。若按损伤程度不

同划分健康状态类别，可得10类样本。54

2.5.3

电动机滚动轴承故障智能诊断数据介绍滚动轴承故障数据集损

伤

程

度

(

mm

)/0.180.360.540.180.360.540.180.360.54健康状态正

常内圈故障滚动体故障外圈