孙晋锰 于忠清 王海崖

摘要：针对传统故障诊断方法耗时长、人工成本高且工作效率低以及现代故障诊断过于复杂的问题，提出了一种直接对振动信号进行关键特征筛选提取的方法，并结合经典的C45算法、Cart算法、BP算法和SVM算法对滚动轴承进行在线的故障诊断。研究结果表明，基于C45算法、Cart算法、BP算法和SVM算法模型的诊断方法均可对滚动轴承在运行过程中是否出现了故障以及出现了什么故障进行较为精准的识别和分类，且具有较高的准确率，可以达到很好的故障监测效果以及故障诊断效果。基于SVM算法的故障诊断模型诊断准确率优于其他三种算法，更加适用于滚动轴承的故障诊断。

关键词：滚动轴承;故障诊断;机器学习算法;C45算法;Cart算法;BP算法;SVM算法;预测性维护

中图分类号：TH212;TH213.3

文献标志码：A

收稿日期：2020-12-23

基金项目：2019年度山东省重点研发计划（批准号：2019JZZY020101）资助。

通信作者：于忠清，男，博士，教授，主要研究方向为工业大数据、预测性维护等。E-mail： haiersoft@163.com

滚动轴承在工业中起着至关重要的作用，运行状态直接关系到整台工业设备能否正常工作，進而关系到整条生产线能否正常运行[1]。近几十年以来，国内外众多学者对滚动轴承的故障诊断进行了大量研究，只为能进一步更加高效以及更加精准的实现实时的滚动轴承故障诊断。穆丽蓉[2]提出了一种轴承振动信号自适应诊断建模方法。Borghesani等[3]提出了一种在不同速度和负荷下诊断轴承故障的方法。吕楠等[4]提出了一种基于BP神经网络的滚动轴承故障诊断。……