曹正志,叶春明

(上海理工大学 管理学院,上海 200093)

滚动轴承作为许多机械的基础零部件,其运行状态往往会影响整台机械的工作状态,对生产和安全造成直接影响[1].有关资料记载,大型企业因滚动轴承故障而引发的一次生产线非计划停产造成的经济损失可达数千万元[2].因此对滚动轴承进行科学有效的故障诊断具有十分重要的意义.

故障诊断方法的研究主要分为基于解析模型和基于数据驱动两方面.Hsiao 等[3]提出了一种分层多模型方案来检测和隔离机器人机械手的执行器故障.代祥[4]提出了一种电网信息物理模型故障诊断优化模型,将故障问题表示成求解目标函数是极值的0-1 整数规划问题,从而通过严密的数学方法来确定故障元件.基于解析模型的方法需要对故障诊断问题进行解析化表达,对于复杂度较高的系统建模难度大,且建立的模型在其他系统上的普适性较低[4],实际推广使用具有一定局限性.近年来,随着机器学习研究的兴起,基于数据驱动的故障诊断方法已成为重点研究领域之一[5].姚德臣等[6]将改进后的支持向量机(SVM)应用于轴承的故障诊断研究当中.Peng 等[7]将主成分分析(PCA)算法应用到电动潜水器泵轴的损坏原因检测中.Yang 等[8]将BP 人工神经网络(BPNN)应用于滚动轴承的故障诊断.这些传统的基于数据驱动的方法都取得了相对不错的效果,但随着人工智能技术的发展,现已证实这些浅层网络结构,因其特征提取……