基于声学信号瓶颈特征的滚动轴承故障诊断.pdfVIP

第59卷第3期复旦学报(自然科学版)V01．59No．3

ofFudan

2020年6月JournalScience)Jun．2020

University(Natural

文章编号：0427—7104(2020)03一0293一06

基于声学信号瓶颈特征的滚动轴承故障诊断

唐刚，秦朝任

(北京化工大学机电工程学院，北京100029)

摘要：为有效诊断滚动轴承的健康状态，针对运行监测声学信号特征微弱的特点，提出了基于声学信号瓶颈

特征的滚动轴承故障诊断方法．首先提取滚动轴承声学信号的多维特征参数，通过自编码网络降低特征维数，获

取有效反映滚动轴承运行状态的瓶颈特征，最后训练支持向量机实现滚动轴承故障诊断．通过对滚动轴承不同

故障状态的模拟试验分析，并与传统方法对比，可知本文提出的方法具有更高的诊断正确率．

关键词：滚动轴承；声学信号；瓶颈特征；故障诊断

中图分类号：TB53；THl33．3文献标志码：A

滚动轴承是旋转机械最常用也是最易发生故障的部件之一．通过对设备的大数据统计分析，可知轴承

故障约占机械故障的30％，因此，滚动轴承故障诊断是1个热门且有价值的研究方向[1]．滚动轴承振动和

声学特性变化能有效地反应轴承的运行状态，可以通过安装传感器进行信号采集与监测，分析诊断轴承

的运行状态，为轴承的智能运维提供重要技术支撑[z]．

振动信号分析是目前轴承故障诊断最主要的方法之一[3]．振动传感器以接触式为主，安装位置和数量

经常受到限制，声学传感器则可以有效地解决此问题．但是，由于机械系统本身的复杂性，各个零部件之间

互相冲击振动，加之声学传感器信号的信噪比通常低于振动传感器信号，导致采集的滚动轴承的声学信

号中经常包含很多干扰信息，给相关研究带来了很大挑战．

声学信号特征提取是开展滚动轴承故障诊断的必要前提之一．使用单一特征通常难以全面准确地反

映轴承的运行状态，同时具有很大的随机性与不确定性，因此需要从不同角度提取充分反映其运行状态

的多种特征，提高故障诊断的准确性[4]．但是过多的特征参数又会导致信息冗余，增加分析计算的代价和

难度，甚至多个特征之间会产生交叉干扰，影响故障诊断精度．信息融合降维技术为解决该问题提供了思

路[5“]．基于此技术，众多学者在不同领域开展了相关研究．例如，文献[7]基于多模型PCA开展了翻车机

液压系统的故障诊断研究，文献[8—9]研究了基于主成分分析(PrincipalComponentsAnalysis，PCA)和

Vector

支持向量机(SupportMachine，SVM)的发动机故障诊断方法，通过PCA将多个特征融合降维，

利用sVM进行故障诊断分类．然而，这些传统方法虽然能够对数据进行降维，但是由于滚动轴承声学信

号的特征微弱，很多传统的线性变换降维算法难以有效地提取反映轴承状态的敏感特征[1…．

冗余特征信息，避免发生维数灾难，得到具有较强泛化能力的网络[11。13]，其隐含层具有较少的神经元．因

此，使用滚动轴承声学信号的多种特征训练自编码网络，提取隐含层的输出作为瓶颈特征参数，有望解决

以上传统方法存在的问题．

础上提出．该方法因其稳定、高效在故障诊断领域得到了广泛应用[16’18I，尤其适用于本文所面临的小样本

集的数据处理问题．

本文基于非接触式声学传感器采集声学信号，开展滚动轴承故障诊断研究．使用自编码网络提取声学

信号的瓶颈特征，并通过SVM训练学习实现滚动轴承故障诊断及分类．

收稿日期：2020—01一09

作者简介：唐刚(1983一)。男，副教授，E—mail：tanggang@mail．buct．edu．cn．

万方数据