院老虎,陈源强,杜白雨,张泽鹏,刘 刚

(1.沈阳航空航天大学 航空宇航学院,辽宁 沈阳 110136;2.中油国际管道有限公司,北京 102206)

0 引 言

滚动轴承的应用非常广泛,在装备制造中是不可缺少的重要基础零部件,是决定重大装备产品性能、质量和可靠性的关键部件,被称为“工业的关节”。同时,它们必须以固定的转速支撑重负载,故也是最常发生故障的组件,约占所有故障组件的51%[1,2]。因此,研究准确、高效的滚动轴承状态监测和故障诊断方法具有十分重要的意义,该研究内容也一直是机械故障诊断的重点发展方向[3]。

目前,滚动轴承故障检测的方法主要有温度诊断法[4]、声学诊断法[5]、振动诊断法[6]等。振动诊断法主要分为特征提取和筛选、故障分类两个主要步骤。由于振动信号分析方法有适用轴承类型广、能诊断早期故障等优点,已广泛应用于旋转机械故障诊断中。当前，已有一些学者提出了如集合经验模态分解[7]、经验模式分解[8]、小波变换[9]等基于振动信号的滚动轴承故障特征提取方法。

然而,这些方法均不能进行大数据批量处理。为解决这一问题,一些学者提出将振动信号里提取的特征用贝叶斯分类器[10]、支持向量机(support vector machine, SVM)[11]、模糊推断及人工神经网络[12-14]等分类器进行分类,批量处理数据。但是,传统的智能故障诊断方法需要进行复杂的人工特征提取,且不同的轴承故障类型也需要不同的特征提取方法,故此类方法在简易性方面有一定的局限性。

随着深度学习方法的兴起,其逐渐被人们应用于故障诊断领域,以解决传统方法中存在的特征提取问题。……