辛 阔,王建国*,张文兴

(1.内蒙古科技大学 机械工程学院,内蒙古 包头 014010;2.内蒙古自治区机电系统智能诊断与控制重点实验室,内蒙古 包头 014010)

0 引 言

随着现代领域生产的发展和科学技术的进步,机械设备的复杂度也大大提高。因此，高效的基于状态的维护(condition-based maintenance,CBM)方法已成为现代机械设备维护的发展趋势[1]。

在工业领域，CBM思想的应用有效地减少了因机械故障所造成的经济损失。机械装备的重要组成部分是轴承和齿轮等部件,而轴承和齿轮对机械设备的工况有比较大的影响,因此，轴承、齿轮的维护成为提高装备使用寿命的关键之一。

近年来,随着人工智能的兴起,有关于机械设备智能诊断方面的研究越来越热。由于能够处理大量数据并且进行辨别,在机械的故障诊断领域,传统机器学习和深度学习有着普遍的应用。这些方法大多包括两个部分:(1)提取故障的特征;(2)对故障状态进行分类。

鄢仁武等人[2]通过对断路器的小波时频图分析,结合卷积神经网络进行了对断路器的故障识别。柳青秀等人[3]提出了一种基于长短时记忆—自编码(LSTM-AE)神经网络的风电机组性能评估及异常检测方法,有效地提高了对风机异常检测的准确性。曹惠玲[4]通过AdaBoost算法及其改进算法的结合,建立了一种多分类的AdaBoost算法,以支持向量机(SVM)为基础分类器,对航空发动机进行了良好的故障诊断。李恒等人[5]利用短时傅里叶变换对振动数据进行了处理,得到了时频谱样本,将其输入卷积神经网络中进行了学习,获得了比较好的识别精度和优良的鲁棒性。……