基于深度学习的旋转机械零件故障诊断方法开题报告

全文总字数：6132字

1. 研究目的与意义（文献综述）

滚动轴承的结构主要是由外圈、 内圈、滚动体、保持架等部分组成的。滚动轴承被称为“工业的关节”，在航空航天、 风力发电、加工制造等诸多工业场景广泛使用，据相关统计，旋转机械的失效案例中，其中45%～55%是由于滚动轴承的失效而导致的^[1]。滚动轴承的故障主要表现在以下几个方面：滚动轴承的疲劳点蚀和塑性变形、滚动轴承的磨损和疲劳剥落、滚动轴承的锈蚀、胶合、以及滚动轴承的保持架损坏^[2]。

滚动轴承作为旋转类机械的关键部件，其故障诊断的发展进程与整个机械故障诊断发展进程趋于一致^[3]。现如今，滚动轴承故障诊断的研究重点是以振动信号分析为核心，并结合信号处理、人工智能等相关知识达到对滚动轴承故障位置、故障程度的精确识别。振动信号分析技术的发展大体上可总结为经历了三个不同的阶段:第一阶段是采用时域分析、频域分析和时频域分析等传统的振动信号分析方法，来完成对滚动轴承的识别;第二阶段是采用一般的机器学习算法来监测并识别滚动轴承的运行状态;第三阶段是采用较为前沿的堆叠自动编码器、深度置信网络和深度卷积神经网络等深度学习算法进行滚动轴承的故障诊断^[4]。

时域分析通过计算轴承振动数据的诸如峰峰值、峭度、方差等参数，以确定轴承故障发生与否，但其受噪声干扰影响较大，无法确定轴承故障的类型和位置。频域分析基于傅里叶变换，主要包括包络分析、高阶谱分析、全息谱分析、频谱细化分析等。但由于多振源激励和响应相互祸合及噪声等因素的影响，滚动轴承振动信号一般表现出强烈的非线性和非平稳性，由于傅立叶变换为全局变换，所以频域分析不能很好地反映振动信号的时变特征。使用时域或频域等单一特征对信号进行分析，难以对信号进行有效的特征提取和故障辨识。为了更准确地提取轴承故障特征，通常采用时频域联合分析方法^[5]。时频域联合分析法主要包括经验模态分解( empirical mode decomposition emd )、局部均值分解(local mean decomposition, lmd )、固有时间尺度分解(intrinsic time-scale decomposition，itd ), 变分模态分解(variational mode decomposition,vmd)、经验小波分解(empirical wavelet transform, ewt)、小波变换等^[6]。

2. 研究的基本内容与方案

现代工业中，机械设备的故障诊断具有十分重要的意义，一旦机械设备发生故障，则会造成巨大的经济财产损失，更有甚者会带来不同程度的人员伤亡。 因此，寻找更好的故障诊断方法以保证机器的正常运行就显得十分必要。滚动轴承是机械设备中最常用的部件，被人们称为机械的关节。因此，有效的故障诊断方法对滚动轴承的寿命和稳定性至关重要。近年来，深度学习以其他方法不可比拟的优势为轴承的故障诊断提供了新思路和新方法。

基于此，我的论文研究的主要内容为：在分析滚动轴承故障表现形式的基础上，建立一个卷积神经网络模型（CNN），卷积神经网络作为深度学习模型的一种，其在模式分类领域有着广泛的应用，他的特点是，在CNN的输入端直接输入原始图像与信号，而输出端直接输出结果，无需特征提取等预处理环节。然后用Adam( adaptive moment)算法进行优化训练，Adam 算法是一种学习率自适应的优化算法，它利用梯度的一阶矩估计和二阶矩估计，动态调整每个参数的学习率。Adam的优点主要在于经过偏置校正后，修正从原点初始化的一阶矩(动量项)和(非中心的)二阶矩的估计，使得每一次迭代学习率都有个确定范围。最后，使用提出的卷积神经网络在凯斯西储大学（CWRU）滚动轴承数据集上进行训练，分析模型的性能。

3. 研究计划与安排

第01周 分析任务，查找相关资料

第02～03周 进行文献翻译，完成开题报告

第04～06周 学习相关软件

4. 参考文献（12篇以上）

[1]雷亚国,韩天宇,王彪,李乃鹏,闫涛,杨军.xjtu-sy滚动轴承加速寿命试验数据集解读[j].机械工程学报,2019,55(16):1-6.

[2]聂海燕.滚动轴承故障诊断方法综述[j].内燃机与配件,2019(23):149-150.

[3]雷亚国,贾峰,孔德同,林京,邢赛博.大数据下机械智能故障诊断的机遇与挑战[j].机械工程学报,2018,54(05):94-104.