申彦斌　张小丽　夏勇　杨吉　陈双达

摘要： 为有效获得轴承退化过程，设计一种改进损失函数的卷积自编码器（Convolutional Autoencode），使其可从多传感器采集的振动信号中提取轴承健康状态，避免了局部信息的丢失，同时得到了更深层次的故障特征。提出了一种基于双向长短时记忆网络（Bi?directional LSTM）的循环神经网络结构，利用其对时间序列数据的处理能力，学习轴承在实际工作过程中的退化规律，实现对轴承的剩余使用寿命预测。此外，为进一步提升模型的预测准确率及泛化能力，设计接收随机长度样本的Bi?LSTM网络进行训练，使得模型接收连续数据而不是分段的数据。最后，使用NASA的IMS数据集进行了验证和对比试验，得出本文所构建的CE?Bi?LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力。

关键词： 故障诊断; 滚动轴承; Bi?LSTM网络; 多传感器样本; 变长度输入

中图分类号： TH165+.3; TH133.33; TN911.7    文献标志码： A    文章编号： 1004-4523（2021）02-0411-10

DOI：10.16385/j.cnki.issn.1004-4523.2021.02.022

引  言

滚动轴承是旋转机械中最关键的部件之一，机械设备在经过长时间、高强度的运行后，其内部轴承极容易发生损坏[1]。在运行过程中轴承会承受各种机械应力和热应力，超过40%的电动机故障与轴承故障有关[2]。轴承的失效在工程实践中可能造成巨大的生产损失和人员伤亡，因此，为控制机械设备的故障风险，有效提高旋转机械设备正常运行的持续性、可靠性、可维护性，保证作业安全，降低运营维护成本，有必要深入研究滚动轴承的状态监测和故障预测方法。若提前发现并排除潜在故障，既能保障设备安全、可靠、高效地工作，又可以避免出现突发事故，减少人力财力损失。……