郭 璐 于忠清 Yu Jianqi

1(青岛大学数据科学与软件工程学院 山东 青岛 266071)

2(青岛大学计算机科学技术学院 山东 青岛 266071)

0 引 言

物联网、通信和计算机技术的发展催生了工业向着4.0及智能制造的转型，这种转型反过来促使制造业向着快速、小批量和定制化的方向发展。制造系统如何在快速反应、设备制造模式切换频繁中及时地检测出异常、尽早发现系统内的故障从而延长系统使用寿命，减少维护成本是当前制造业的重要问题。而在各种轻、重制造业设备中，滚动轴承是制造系统中旋转机器设备中广泛应用的零件之一。在旋转机器故障中，有近30%的故障是由轴承损坏导致的，故障的准确定位、早期的故障诊断对于减少设备停机所带来的高额成本十分重要，变负载驱动环境下的轴承故障信号区别不够明显，导致滚动轴承故障的精确度较低，所以本文关注变负载驱动下滚动轴承的故障诊断。

现有的滚动轴承的故障诊断方法主要分为三类，一是基于知识的途径；二是数据驱动的方法；三是混合方法。其中：基于知识的方法主要为基于可靠性模型和基于专家经验的方法；数据驱动方法是通过传感技术和计算机，将获得的设备数据通过AI方法进行建模预测；混合方法则是将数据驱动方法和传统的物理指标、信号处理等方法相结合。后两者已经成为现在研究的重点。文献[1-2]即使用混合方法，分别通过将小波能量谱及Hilbert能量图进行特征提取然后结合机器学习方法进行故障诊断。……