NH-基于神经网络的滚动轴承故障诊断方法的研究

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。

• 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。

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。

基于优化VMD-CNN-BiLSTM的电机轴承智能故障诊断研
究
曹景胜;于洋;王琦;董翼宁
【期刊名称】《现代电子技术》
【年(卷),期】2024(47)12
【摘要】针对滚动轴承早期故障信号较弱及特征数据提取效果差,导致故障诊断准确率低以及故障诊断效率低的问题,提出一种信号处理结合深度神经网络的故障诊断方法。

首先,采用变分模态分解(VMD)法提取主轴承振动数据中的特征数据;然后为了确定VMD算法中最佳的模态分量个数K及惩罚参数α,增强特征提取的效果,将最小排列熵作为适应度函数,采用全局优化能力强的正弦混沌自适应鲸鱼优化算法(CAWOA)进行参数的确定,得到最优模态分量;接着,根据最优模态分量构造特征向量,将特征向量作为CNN-BiLSTM网络的输入,实现故障的分类。

最后,根据实验平台采集的数据进行实验分析。

结果表明,优化VMD-CNN-BiLSTM轴承故障诊断模型相较于其他故障诊断模型,在准确率以及实时性上均有明显提升。

【总页数】7页(P115-121)
【作者】曹景胜;于洋;王琦;董翼宁
【作者单位】沈阳工业大学信息科学与工程学院;辽宁工业大学汽车与交通工程学院
【正文语种】中文
【中图分类】TN711-34;TH133;TP18
【相关文献】
1.基于径向基函数神经网络的电机轴承智能故障诊断
2.基于径向基函数神经网络的电机轴承智能故障诊断
3.基于改进果蝇优化算法优化RVM的电机轴承故障诊断
4.基于贝叶斯优化的极限梯度上升树方法对电机轴承故障诊断方法的研究
5.基于广义正态分布算法优化支持向量机的电机轴承故障诊断研究
因版权原因，仅展示原文概要，查看原文内容请购买。

《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。

滚动轴承故障诊断研究的国内现状与发展方向一、内容综述随着我国工业生产的不断发展，滚动轴承在各个领域得到了广泛的应用。

然而由于长期使用、磨损、过热等原因，滚动轴承故障问题也日益严重，给企业的生产带来了很大的困扰。

因此对滚动轴承故障诊断技术的研究显得尤为重要。

尽管如此我国在滚动轴承故障诊断方面的研究还存在一些不足之处。

首先理论研究相对较少，很多故障诊断方法和技巧还需要进一步验证和完善；其次，现场检测设备和技术水平有待提高，导致很多故障无法得到及时、准确的诊断；缺乏对滚动轴承故障诊断技术的广泛推广和应用，使得许多企业和用户仍然依赖于国外先进的诊断设备和技术。

面对这些挑战，我国滚动轴承故障诊断领域的研究者们正积极探索新的研究方向和发展模式。

一方面加强基础理论研究，提高滚动轴承故障诊断的准确性和可靠性；另一方面，加大对现场检测设备的研发力度，降低故障诊断的成本和难度；此外，还要加强国内外交流与合作，推动滚动轴承故障诊断技术的普及和应用。

相信在我国科研人员的不懈努力下，滚动轴承故障诊断技术将会取得更加丰硕的成果。

1. 研究背景和意义随着我国经济的快速发展，各行各业对机械设备的需求越来越大，而滚动轴承作为机械设备中的重要部件，其性能直接影响到设备的稳定性和使用寿命。

然而近年来我国滚动轴承故障诊断技术的研究和应用水平相对较低，导致很多企业在设备运行过程中出现了大量滚动轴承故障，给企业带来了巨大的经济损失。

因此深入研究滚动轴承故障诊断技术，提高我国滚动轴承故障诊断技术的研究和应用水平，具有重要的现实意义和紧迫性。

首先滚动轴承故障诊断技术的研究和应用可以有效地降低企业的维修成本。

通过对滚动轴承故障的及时、准确地诊断，可以避免因故障导致的设备停机、生产中断等严重后果，从而降低企业的维修成本。

同时滚动轴承故障诊断技术的提高还可以延长设备的使用寿命，进一步降低企业的维修成本。

其次滚动轴承故障诊断技术的研究和应用可以提高企业的安全生产水平。

BP神经网络在滚动轴承故障诊断中的应用研究摘要：滚动轴承的振动信号可以从时域特征来提取，时域参数常用于判断轴承是否存在故障，通过选取了合适的时域参数作为故障特征参数，作为诊断神经网络的输入，从而能更有效和全面地体现故障特征。

通过修改隐含层节点数目来观察网络结构对滚动轴承故障诊断的性能影响，从而选取到合适的隐含层节点数；通过选取输入层的特征值均值、峰值、均方根值、峰值因数、脉冲因数、波形因数、峭度、裕度因数中合适的特征值来观察其构成的网络结构对滚动轴承故障诊断的性能影响程度，从而得到合适的网络输入层。

关键词：故障诊断；神经网络；滚动轴承；特征参数Application of BP neural network in faultdiagnosis of rolling bearingAbstract:The vibration signals of the rolling bearing can be extracted from time domain, time domain parameter is used to judge whether there is fault bearing, by selecting the appropriate time domain parameters as fault characteristic parameters as the inputs of the neural network, the diagnosis, which can be more effectively and comprehensively reflect the fault feature. To observe the effect of network structure on the performance of fault diagnosis of rolling bearing by modifying the hidden layer node number, so as to select the proper number of hidden layer nodes; the mean, peak, RMS, peak factor, pulse characteristics suitable factor, form factor, kurtosis, margin factor value in the observation network structure composed of the performance of fault diagnosis of rolling bearing based feature selection of input layer, so as to obtain the network input layer of suitable.Keywords:Fault diagnosis;Neural network; Rolling bearings; Feature parameter1 序言滚动轴承作为机械设备中重要的旋转零件，也是机械设备的重要故障源之一。