宽转速范围下的航发主轴轴承故障诊断方法
张伟涛， 崔 丹， 刘 璐， 黄 菊
(1. 西安电子科技大学 电子工程学院， 西安 710071; 2. 中国航发贵阳发动机设计研究所， 贵阳 550081)
滚动轴承是旋转机械的重要组成部件之一，应用广泛。在旋转机械运行过程中，滚动轴承零部件会因众多原因出现不同程度的损伤，例如疲劳剥落、腐蚀磨损、塑性变形等。另外，滚动轴承在旋转机械中起连接作用，它的工作运转性能会随时间发生改变。由于滚动轴承在旋转机械中的核心地位，如果发生故障则会对机械设备造成灾难性的损害。对于旋转机械而言，30%的故障是由其核心部件轴承故障引起的。因此，轴承健康监测在现代工业中具有重要意义，而振动监测是预防灾难性损害最常见的手段之一[1-2]。
近年来，深度学习技术在图像和语音识别等领域都取得了巨大的成功，一些深度学习技术已经进入了机械健康监测系统[3]。目前机械健康监测主要是从振动信号的时域、频域和时频域三个方面与深度学习技术结合[4]。在时域方面，Zhang等[5]直接将原始振动信号作为卷积神经网络(convolution neural network， CNN)的输入，研究模型的抗噪性能。董绍江等[6]首先对原始振动信号采用SVD和EMD相结合的方法进行降噪，再通过卷积神经网络进行故障诊断。上述方法采用时域振动信号作为一维卷积神经网络的输入，而Lu等[7]将一维振动信号以时间序列重构后的二维矩阵与CNN结合应用于滚动轴承故障诊断，并验证了该方法在噪声环境下的鲁棒性。贺思艳等[8]利用时间序列构造二维样本，将其输入到卷积神经网络中进行故障诊断。利用时间序列构造的二维样本能够使网络提取信号相邻元素之间的特征。在时频域方面，刘炳集等[9]提出了一种基于时频图和CNN的滚动轴承故障诊断方法，在美国凯斯西储大学的公开数据集上能够达到97.63%的故障诊断正确率。Ma等[10]通过频率切片小波变换对原始振动信号进行时频分析，提出了TLCNN模型进行轴承故障诊断。肖雄等[11]提出了一种AMSGrad算法，用于二维卷积神经网络的优化，能够将故障诊断模型的诊断精度提高。上述方法虽然在故障诊断正确率上有一定的提高，但是仍存在较大的局限性，主要表现在如下两个方面。
(1) 现有的滚动轴承故障诊断方法大多数都是在美国凯斯西储大学的公开数据集上进行方法有效性及可行性的验证，然而该数据集的转速固定，仅包含30 Hz转频下的轴承振动信号，而航发主轴轴承正常工作时转速高达上万转，因此采用该数据集训练得到...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
