基于卷积神经网络的滚动轴承故障诊断及剩余寿命预测研究.pdfVIP

摘要

基于卷积神经网络的滚动轴承故障诊断及剩余寿命预测研究

滚动轴承是在旋转机械设备中非常重要的关键部件之一，在国民生活、工业

制造以及国防建设等多个领域具有极为广泛的应用，其运行状态正常与否往往直

接影响到整部机械装置的准确度和可靠性等重要性能。滚动轴承一旦出现故障，

极有可能造成重大事故，直接损失经济效益甚至危害人身安全。但相比于其他机

械零件，滚动轴承又具有很大的寿命离散性，其寿命在不同的工况条件下相差巨

大，不能够绝对地按照轴承设计使用寿命来确定轴承的维修周期。因此，对滚动

轴承开展故障诊断和剩余寿命预测对加强轴承服役管理，最大限度发挥轴承使用

价值具有重要的意义。

在轴承故障诊断研究中，主要依靠轴承运行过程中采集到的振动信号来对轴

承是否出现故障状态进行诊断评估。为了更有效地利用轴承信号，本文首先对不

同故障状态下的轴承信号特征进行分析，研究了故障信号的周期性冲击响应特征、

特征频率以及倍频特性等。然后，对包含在原始信号中的信号特征进行识别和提

取，在时域、频域、时频域三域上采用了时域参数分析、频域参数分析、小波包

分解、VMD分解等特征提取方法，结合样本熵、多尺度排列熵等理论获得表征

轴承运行状态的关键信息，组成了轴承故障诊断实验的特征集。最后，搭建了基

于多尺度特征和CNN的轴承故障诊断模型，在美国西储大学CWRU数据集上

进行了实验验证，采用SVM、ELM、KELM等模型进行了对比实验。

在轴承剩余寿命预测研究中，为了更深入地探究滚动轴承从开始到失效的渐

进过程，本文首先完成了轴承全寿命周期退化状态演变规律分析，明确了退化状

态与剩余寿命之间的关系。然后，搭建了基于STFT-CNN的轴承剩余寿命预测

模型，在输入CNN模型前对原始信号进行短时傅里叶变换，将一维时序信号转

换到时频域，最终在IEEEPHM2012数据集上完成了实验验证，采用BP神经网

络模型进行了对比实验。

实验结果表明，本文所提出的基于多尺度特征和CNN的轴承故障诊断模型

在美国西储大学CWRU数据集上诊断率可以达到99.7%以上，明显高于SVM、

ELM、KELM等预测模型的诊断效果，证明了本文方法的优越性。轴承剩余寿命

预测实验也取得了较为优异的结果，本文提出的基于STFT-CNN的轴承剩余寿

命预测模型在IEEEPHM2012数据集上可以很好地发现轴承退化起始点，通过

与BP神经网络的实验结果对比，本文方法预测的轴承剩余寿命曲线更加贴合于

实际曲线，具有更高的准确度。

关键词：

滚动轴承，故障诊断，剩余寿命预测，特征提取，卷积神经网络

Abstract

ResearchonFaultDiagnosisandRemainingLifePredictionof

RollingBearingsBasedonConvolutionalNeuralNetwork

Asoneofthemostimportantkeycomponentsinrotarymachine,therolling

bearinghasbeenwidelyappliedtopeople’slife,industrialmanufacturing,national

defenseconstructionandotherfields.Itsoperationalstateoftendirectlyaffectsthe

accuracy,reliabilityandotherimportantparametersoftheentiremachine.Breakdown

oftherollingbearingisverylikelytocausemajoraccidents,directlyresultingin

economiclossandevenper