【《卷積神經(jīng)網(wǎng)絡在軸承故障診斷中的應用與優(yōu)化》12000字】

11卷積神經(jīng)網(wǎng)絡在軸承故障診斷中的應用與優(yōu)化滾動軸承故障診斷是機械設備停機維修中的一個重要環(huán)節(jié)，也是導致旋轉機械失靈與故障的最主要原因之一。而隨著機器運行工況下檢測方法和技術不斷發(fā)展，對故障特征信息進行提取與分析已成為必然趨勢。而在深度學習不斷發(fā)展的今天，卷積神經(jīng)網(wǎng)絡模型成為分析滾動軸承故障準確率最高的模型。本文通過建立一維卷積神經(jīng)網(wǎng)絡，對滾動軸承的故障進行診斷。滾動軸承的故障數(shù)據(jù)來自美國西儲大學軸承數(shù)據(jù)中心1]。關鍵詞：卷積神經(jīng)網(wǎng)絡；滾動軸承；故障分析；深度學習目錄 21.1研究背景 21.2軸承故障診斷歷史 31.3軸承故障診斷方法研究現(xiàn)狀 41.3.1國外發(fā)展現(xiàn)狀 51.3.2國內(nèi)發(fā)展現(xiàn)狀 6第二章滾動軸承 72.1滾動軸承的結構 72.1.1滾動軸承的特性 72.1.2滾動軸承的基本特點 82.2滾動軸承的地位與作用 92.3滾動軸承的負荷與壽命 第三章基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷流程 3.1卷積神經(jīng)網(wǎng)絡的基本結構 3.2卷積神經(jīng)網(wǎng)絡的傳導過程 第四章案例結果與分析 224.1實驗裝置介紹 4.2實驗結果與分析 20 23參考文獻 23第一章引言隨著現(xiàn)代工業(yè)文明的發(fā)展，機械設備越來越精密，結構越來越復雜，功能越來越完善，自動化程度越來越高。精密設備在人們的日常生活和工作中起著重要的作用，特別是作為機械設備領域中的關鍵旋轉設備(林哲宏、趙文輝、宋承志，2022)。其中，連接設備旋轉部件和固定部件的軸承，特別是滾動軸承和設備的性能存在密切關系。這種軸承的特征表現(xiàn)為摩擦小，效率高，潤滑方便等優(yōu)點[21,目前在交通、化工、航空航天工業(yè)中都獲得應用。在設備的運行中，軸承在支持軸承的運行和傳遞動力方面起著重要的作用，被稱為“機械的關節(jié)”[4]。因此，一旦發(fā)生軸承故障事故，就會連鎖反應而引發(fā)各種不良影響，一些情況下還會導致嚴重的生命財產(chǎn)損失，導致重大傷亡5-61,引起各種嚴重的社會不滿(高宇軸承在應用過程中容易出現(xiàn)故障，和其他零件相比，軸承由于承受沖擊的能力較弱而受到各種交變應力的影響，高轉速、高負荷等惡劣條件[7,8也導致其失效的可能性增加。統(tǒng)計分析發(fā)現(xiàn)大約有20%的齒輪箱故障都和軸承失效有關91。滾動軸承與其他連接的零件接觸緊密，其失效很容易導致故障和事故。1991年11月，蘭州鐵路局1479次火車出軌事故導致很多人員傷亡，調(diào)查結果發(fā)現(xiàn)其主要原因為軸承故障。上世紀九十年代日本關西電力公司海在運行過程中由于人為因素影響，機組軸承出現(xiàn)故障，這在某種程度上彰顯了引發(fā)嚴重的共振。最后，所有機組被摧毀。損失高達50億日元!1。2011年地鐵4號線自動扶梯出現(xiàn)故障，其中的固定部件損壞，在固定和連接失效情況下導致扶梯滑落。事故中有一人死亡，多人受傷。2006年，安陽鋼鐵公司吐絲機軸承斷裂，引發(fā)生產(chǎn)線故障，進入導致明顯的經(jīng)濟損失。深圳羅湖區(qū)電梯滑梯事故出現(xiàn)后，調(diào)查結果表明主要是33因為限速器軸承故障導致的，事故引發(fā)很不利社會影響[101。因而很有必要加大故障診斷技術的研究，采取各種高效的應對和控制方法，而有效的預防事故出現(xiàn)旋轉機械由于經(jīng)常作為動力傳遞動能，這在某種程度上標明因此在動力、石化、航運等領域廣泛應用于現(xiàn)代工業(yè)設備，其質(zhì)量和運行狀態(tài)會明顯的影響到設備狀態(tài)。在各種旋轉機械設備中[121,滾動軸承發(fā)揮重要作用，其和設備安全運行存在密切關系，將旋轉零件連接起來而為設備運行提供支持(羅毅和、唐昱澤、李浩然，2021)。這在某種程度上凸顯了滾動軸承通常在高溫、變速環(huán)境中工作。另外，諸如加工誤差、不對中、潤滑不良等外部因素也會使軸承表面受到不同程度地損壞，因此滾動軸承出現(xiàn)損壞的可能性很高，因而應針對性的進行處理(張影響，這將改變整個旋轉機械的運行狀態(tài)，并最終降低旋轉機械應用性能，從中不難發(fā)現(xiàn)且導致各類型的事故。因而在機械設備故障檢測領域，滾動軸承的檢測、診斷是其中的最重要內(nèi)容，表現(xiàn)出很高的市場潛力和應用價值。機械設備故障診斷是一門工程技術學科，基本方法為信號處理方法及模式識機械設備故障診斷相關的研究起步于上個世紀60年代，阿波羅計劃由于機械設備故障原因頻頻失敗，為此美國政府管理部門設置專業(yè)的機械故障預防小組[16]。隨后，英國成立了機械維護中心，其以保證機械正常運轉為中心來進行科學探究，并將結果運用到了諸多能源領域(陳思遠、吳東升、王俊豪，2023)。這在某個角度上證明了英國公司對機械故障預防的關注，為企業(yè)生產(chǎn)帶來一定的安全保障。上世紀70年代，日本高校、研究機構及部分企業(yè)開始致力于機械故障診斷的機理研究及應用研究。同時，歐洲諸多國家也成立故障診斷研究中心。如上世紀七十年代法國電力管理部門針對汽輪發(fā)電機組狀態(tài)監(jiān)測?，F(xiàn)如今，隨著“智能維護系統(tǒng)(IMS)中心”的成立，美國密歇根大學在故障領域大放異彩。法國貢皮埃捏技術大學在基于振動信號故障診斷領域也取得一定成果(崔子聰、徐佳豪、楊潤澤，2023)[171。與發(fā)達國家相比，我國在該領域發(fā)展起步較晚。最早源于上個世紀80年代44的首屆設備診斷技術大會。隨著我國加大故障診斷領域的研究力度，與此相關的成果也大量出現(xiàn)，在實際應用中取得良好的效果(謝凌峰、董冠宇、孫睿障診斷問題，且制定出與此相關的方案，在應用過程中取得良好效果。上海交大則設置國家級重點實驗室進行故障診斷和檢測相關研究(王子豪、宋晨昊、林俊浩，2023)。近些年來，我國在工程中開始廣泛的應用故障診斷相關技術，在應用中取得良好的效果。如對環(huán)境惡劣條件下的振動信號采集后進行綜合分析，而確定出設備故障相關情況；北京化工大學提出了機械故障自愈理論(賈俊杰、彭宇為當前機械故障診斷領域主流方法。其中，從這些數(shù)據(jù)中顯現(xiàn)振動信號分析法最為流行。但由于目前機械設備的一體化程度較高，導致零部件之間振動信號耦合嚴重。當軸承故障情況下對應的信號也出現(xiàn)明顯變化，開始變得非平穩(wěn)且非線性雜的振動信號中提取目標信號是此方面的研究重點。為此，國內(nèi)外眾多學者提出等，但依舊具有許多難以彌補的缺陷。近些年來，基于智能故障診斷方法的滾動軸承故障診斷也受到各界學者的關注。智能故障診斷方法能自動提取特征，這明顯體現(xiàn)出特征這個特點是與傳統(tǒng)基于振動信號分析方法的本質(zhì)區(qū)別(李澤和、許凌云、鄭晨星，2診斷過程可選擇不同的方法，在其中應用比例較高的如監(jiān)督學習、半監(jiān)督學習。其中，監(jiān)督學習這一類別在其他領域發(fā)展較為成熟。其輸入為帶有標簽的數(shù)據(jù)集，利用模型提取信號特征。將模型參數(shù)訓練至最優(yōu)后，將測試集輸入模型，在其中能看出即可將測試信號進行模式識別(鄒宇凡、大小來說，相較于傳統(tǒng)方法，智能診斷方法可處理海量數(shù)據(jù)，且結果更為準備，但美中不足之處在于模型自動提取的特征難以解釋。機器學習在各個領域大放異1.3軸承故障診斷方法研究現(xiàn)狀55上世紀六十年代國外相關滾動軸承的運行狀態(tài)檢測研究開始起步，其后發(fā)現(xiàn)過程中各種高性能的檢測技術和方法也被大量的提出，滾動軸承故障診斷性能水平不斷提升，可很好的滿足復雜條件下的應用要求。滾動軸承故障診斷技術在不斷的發(fā)展演化基礎上目前已經(jīng)很成熟，這在某種程度上彰顯了其發(fā)展歷程如下第一階段：基于信號變化的診斷方法。與此相關的研究起步于上世紀六十年代，當時Tallian35研究振動信號峰值與標準信號的差異情況，且據(jù)此來對這種故障進行檢測分析。受到信號處理技術相關因素的制約，這種技術的診斷效率不第二階段：基于頻譜分析的診斷方法。其后的研究過程中Cooley為高效的對這種信號進行處理，而提出了快速傅里葉變換技術，在信號處理方面表現(xiàn)出很高的應用價值(馬天宇、鄧文浩、楊俊杰，202的應用打下良好的基礎1361。原始振動數(shù)據(jù)中一般存在噪音干擾，這樣在故障較小時不滿足應用要求，檢測結果的精確性低。第三階段：基于沖擊脈沖的診斷方法。瑞典學者在針對滾動軸承表面損傷相關的脈沖信號研究時設計出一種脈沖計，這樣可以高效的進行信號分析而確定出滾動軸承的故障1371。這種方法的靈活性高，在滾動軸承的早期故障診斷方面一直被廣泛的應用(陳志偉、李天昊、吳昕宇，202第四階段：基于共振解調(diào)的診斷方法。上世紀七十年代D.R.Harting在研究根據(jù)實際的經(jīng)驗可知這種方法對軸承的早期輕微損傷可高效的決策，同時故障的部位也可基于包絡分析方法確定出，有明顯的優(yōu)勢(何子怡、趙樂然、黃明和，2023)。第五階段：基于計算機技術的診斷方法。這在一定意義上揭示了上世紀九十年代開始，在電子技術的發(fā)展帶動下，故障診斷系統(tǒng)的性能水平顯著提高，可更好的滿足復雜條件下的故障檢測要求。國外很多公司相繼開發(fā)出基于計算機信息系統(tǒng)的設備狀態(tài)監(jiān)測設備，在應用過程中取得良好的效果。這在某種程度上標明如美國的REBAM系統(tǒng)在風機轉子檢測中廣泛應用，丹麥B&K的COMPASS系66統(tǒng)在機車軸承檢測中取得好性能優(yōu)勢(李國偉、邱子豪、周悅文，2的MHMS機械檢測系統(tǒng)則可以對振動設備的故障進行高效檢測。俄羅斯DREAM診斷系統(tǒng)在應用過程中也可以很好的滿足軸承工況監(jiān)測相關的要求，且檢測的準確性和精度都有一定幅度提高。這在某種程度上凸顯了基于計算機的軸承狀態(tài)監(jiān)測和診斷方法在應用過程中可方便的進行交互，較高的診斷精確率，因而目前其國內(nèi)相關故障診斷技術研究起步較晚，不過在市場需求的促進作用下發(fā)展速度快，上世紀七十年代國內(nèi)此領域的研究主要是引進國外的先進技術和經(jīng)驗，據(jù)此滿足故障檢測和診斷相關要求。其后發(fā)展過程中，相關故障診斷的研究不斷增加，且提出了很多新的診斷技術和方法。例如，唐德堯研發(fā)出一種高性能的JK86411自動試驗診斷系統(tǒng)，結果發(fā)現(xiàn)在鐵路機車的滾動軸承故障診斷方面有明顯的優(yōu)勢，從中不難發(fā)現(xiàn)可很好的滿足應用要求。劉志澤、蔡文俊、趙書豪391則具體分析軋鋼機軸承的特征，而研發(fā)出一種MDS系列軋鋼機軸承故障診斷系統(tǒng)，對其性能進行仿真分析，結果發(fā)現(xiàn)可很好的滿足實際應用要求。田睿澤、周凱宇、馮若旭等人[401基于計算機技術設計出一種滾動軸承狀態(tài)監(jiān)測與故障診斷系統(tǒng)，同時對其性能做了測試研究。盡管本文尚未完全挖掘這一部分的研究結論，但從現(xiàn)有成果來看，已展現(xiàn)出一定的指導意義。首先，初步結果為該領域提供了新穎的視角和洞見，有助于辨識關鍵因素及其互動機制，為后續(xù)深入研究打下了堅實基礎。其次，這些發(fā)現(xiàn)揭示了若干潛在趨勢和模式，能夠為理論框架的構建提供實證依據(jù)，并激發(fā)更多的學術討論與辯論。國內(nèi)學者在研究過程中大量的吸收和引進國外的技術和設備，經(jīng)過不斷創(chuàng)新發(fā)展，這在某個角度上證明了且在一定的優(yōu)化基礎上建立起與此相關的理論體系。例如，萬書亭等人[41在進行故障檢測中應用了小波包和細化包絡方法，這樣可以對采集的故障信號處理而得到共振頻帶，提高了算法的應用性能。朱曉瑞、鄧景然、鐘浩宇[421等對滾珠軸承故障的特征具體分析，而應用了譜峭度法進行分析，且基于最大化原則進行判斷，而設計出一種AR模型，從這些互動中理解對原始信號進行處理時先采集確定出其中平穩(wěn)成分，使得故障特征信息強化，而77結合起來進行此方面的檢測，在具體處理過程中先基于EMD分解成若干固有模態(tài)分量，接著篩選而得到含主特征信息的IMF分量確定出能第二章滾動軸承使?jié)L動體均勻分布，也可滿足一定潤滑相關要求。88的廠家目前已經(jīng)基本上保持專業(yè)分工，如專業(yè)生產(chǎn)微型軸承的微型軸承廠等。這在某種程度上反映出這是專業(yè)化的體現(xiàn)(韓天翔、馮子凡、陸佳輝，2023)軸承的大規(guī)模生產(chǎn)過程中需要應用到很多高性能的專業(yè)設備?，F(xiàn)代化的機床、工裝和工藝也都不同程度的應用，且熱處理技術也很先進。這是先進性的體滾動軸承的自動化生產(chǎn)過程中也用到很多專業(yè)設備，相應的自動化水平很高。各種專用和非專用機床都不同程度的應用，此外還有各種裝配自動線等。這是自動化的體現(xiàn)。2.1.2滾動軸承的基本特點滾動軸承在應用過程中可實現(xiàn)各方面的作用，研究發(fā)現(xiàn)其特征表現(xiàn)為摩擦力明顯減小，且對應摩擦阻力的功耗大幅度降低，這在某種程度上標明可更好的滿足應用要求。主軸承采用滾動軸承情況下對應的節(jié)能率可達到30%,而大型球磨機使用滾動軸承也可以很好的滿足節(jié)能要求(王振宇、劉子睿、張雨磨機的能耗高，這在某種程度上凸顯了因而這種情況下可顯著的節(jié)約費用。滾動軸承具有維修方便，質(zhì)量可靠的好處。在應用過程中選擇這種軸承可避免巴氏合金材料的浪費，相應的管理和應用難度也顯著降低，可更好的滿足維修相關的要求，此外對供油、供水冷卻方面的要求也降低。從中不難發(fā)現(xiàn)這種軸承的專業(yè)性高，因而質(zhì)量往往得到保證，使用壽命長，可更好的滿足球磨機使用廠除此之外，滾動軸承還具有其他優(yōu)點。滾動軸承摩擦阻力小，效率高，適用性強，且表現(xiàn)出很強的互換性優(yōu)勢，這在某個角度上證明了在應用過程中可方便地安裝和維護；軸向尺寸更為縮??；運行時不容易出現(xiàn)磨損問題，長時間使用后也可以維持精度，因而可很好的滿足應用要求(高永濤、李俊琦、劉瑾瑜，2023);部分軸承具有自動調(diào)心的性能；既滿足大批量條件下的應用要求，同時適用性范圍也明顯擴大；從這些互動中理解傳動摩擦力矩比流體動壓軸承低得多，這樣在運行過程中不容易出現(xiàn)升溫的問題，摩擦性能良好；起動摩擦力矩僅略高于轉動摩擦力矩；從這些數(shù)據(jù)中顯現(xiàn)在一定載荷條件下不會產(chǎn)生明顯的變形，敏感性降低；少量的潤滑劑便就可長時間高效運行，且可靠性也大幅度改善；軸向尺寸小于傳統(tǒng)流體動壓軸承(魏子和、趙宇航、鄭浩澤，2023);為了確保研究結論的穩(wěn)健99性和公信力，本文首先廣泛收集并仔細審查了國內(nèi)外相關領域的經(jīng)典及最新文獻，以此搭建了一個堅實的研究基礎。這不僅幫助本文確定了研究問題的獨特價值，也保證了本文的研究是在充分掌握現(xiàn)有知識的前提下進行的。本文選用了多種來源的第一手和第二手資料，如相關文獻、官方統(tǒng)計等，這些資料因其權威性、時效性和代表性而被選用，以確保能從不同視角全面反映研究主題的真實面貌。相應的承載能力強，可承受復雜的載荷作用力；在很大的載荷-速度范圍內(nèi)，這明顯體現(xiàn)出特征和其同類型的軸承相比性能明顯的提升；軸承性能對載荷、速度但是，滾動軸承的缺陷也是很明顯的。表現(xiàn)為噪音大；成本較高；在良好的潤滑和安裝情況下，長時間運行后也容易因為接觸疲勞而失效。2.2滾動軸承的地位與作用在其中能看出滾動軸承的應用范圍廣，在國民經(jīng)濟和國防事業(yè)各個領域都表現(xiàn)出較高的應用價值。滾動軸承相關的研究和應用很早就開始了，考古文物發(fā)現(xiàn)，早在公元前二百多年前已經(jīng)出現(xiàn)了青銅制滾動軸承；而意大利和古希臘也在公元前一世紀出現(xiàn)了青銅滾動軸承。工業(yè)革命后，這在一定意義上揭示了現(xiàn)代軸承工業(yè)開始正式出現(xiàn)，十九世紀七十年代德國研發(fā)出磨球機，這也為鋼球的大規(guī)模生產(chǎn)和應用打下良好的基礎。自行車、汽車行業(yè)的促進下，滾動軸承的需求不斷增加，相應的應用范滾動軸承的重要性主要體現(xiàn)在以下幾個方面：(1)在國民經(jīng)濟中一—滾動軸承發(fā)揮各方面的價值，如在機械工業(yè)的基礎產(chǎn)業(yè)中都廣泛的應用，其使用水平既反映出一個國家機械工業(yè)能力，也總體上決定了國家的工業(yè)競爭力。這在某種程度上標明軸承工業(yè)被稱為“機械工業(yè)的核心產(chǎn)業(yè)”,此外也和民眾生活水平密切相關。上世紀七十年代日本開始大力發(fā)展?jié)L動軸承，且將其當做為機械工業(yè)的重點發(fā)展對象。我國也制定出11類特定振興機械產(chǎn)品發(fā)展計劃，很多高性能的滾動軸承加工設備也被研發(fā)出。這在某種程度上凸顯了在國家新確定的520家重點企業(yè)中，與此相關的企業(yè)數(shù)量也不斷增加(郭辰逸，何佳怡，2023)。《國家重點鼓勵技術目錄中》,重點說明了轎車軸承、高速軸承，這對此行業(yè)的發(fā)展和應用有重要意義。(2)在國防事業(yè)上一一這種軸承也和國家的軍事實力密切相關，導彈和飛發(fā)達國家對軸承產(chǎn)品和技術也進行嚴格的封鎖和(3)在技術地位上—一軸承鋼的相關要求高，這在某個角度上證明了也是現(xiàn)，其后發(fā)展過程中建立起國標ISO281:1963。2.3滾動軸承的負荷與壽命性，同一批次中90%在疲勞剝落前的總轉數(shù)就是軸承的遠，2023)。和額定壽命密切相關的為額定動載荷，也就是額定壽命為100萬轉情況下的是純軸向載荷。在實際的應用過程中很多因素都會影響到額定負荷，為更好的滿第三章基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷流程3.1卷積神經(jīng)網(wǎng)絡的基本結構(1)基本單位神經(jīng)元主要是用于模擬生物神經(jīng)元的結構和特性。其結構如圖3-1所示。221411圖3-1典型的神經(jīng)元結構到達時，它乘以權重值。這在一定意義上揭示了如果神經(jīng)元有3個輸入，則它有3個權重值，并且權重會在訓練期間進行調(diào)整。這在某種程度上反映出然后將乘積與偏置之和輸入到激活函數(shù)中得到輸出活性值a。其計算公式如式(3-1)(2)卷積層卷積層(ConvLayer)通過與映射區(qū)域進行卷積來提取相應的特征。其作用是將輸入數(shù)據(jù)縮小而方便處理，這在某種程度上標明且不會導致丟失重要的信息。網(wǎng)絡中往往有多個卷積層，第一個卷積層在處理過程中主要的作用為采集低級特征，與此相關的特征如漸變方向，邊緣等(劉瑾瑜，張雪麗，2023)。通過添加卷積層，網(wǎng)絡也可以適應高級特征。通常不同層卷積核的大小設置為不同，這在某種程度上凸顯了這樣可以提高網(wǎng)絡的特征提取能力。本文同樣對結論進行了復審，首先從理論角度確保研究結果與現(xiàn)有學術體系相契合。本文仔細對比了本研究的主要發(fā)現(xiàn)與領域內(nèi)廣泛認可的理論，以檢驗其合理性和邏輯嚴謹性。這一過程不僅驗證了研究結論得到現(xiàn)有理論的支持，還在某些方面提出了新的見解或補充，從而豐富和完善了相關理論架構。其次，在實證分析中，本文重新審視原始數(shù)據(jù)，采用多種統(tǒng)計方法和技術進行交叉驗證，并引入外部數(shù)據(jù)集作為參考樣本，力求消除任何可能影響結論準確性的偏差，確保研究結果的真實性和廣泛適用在實際的實現(xiàn)過程中，為了減小不必要的操作與開銷，一般用互相關運算來替代繁瑣的卷積運算。軸承信號序列與卷積核的互相關計算公式如式(2)所式中w為卷積核，x為信號序列，m為卷積核的寬度，其寬度要遠小于信號序列的長度。一維卷積的示例如圖3-2所示，從中不難發(fā)現(xiàn)所使用的卷積核參數(shù)為[1,0,-1],卷積后輸出信號序列長度1變?yōu)榱?,計算公式如(3-3)所示。?(3)激活層激活函數(shù)中常用的包括Sigmoid,TanH、整流線性單元(ReLU),其表達式分別如式(3-4)、(3-5)和(3-6)所示。這三種常見的激活函數(shù)圖形如圖3-3所示。(a)ReLu(4)池化層池化有兩種類型：其中包括最大池化和平均池化池化的功能相對有限?！白畲蟪鼗钡男阅芤取捌骄鼗焙玫枚?。兩者的表達式分別如式(3-7)和(3-8)所示。進行特征選擇。其示例如圖3-4所示。(5)全連接層以權重值。如果神經(jīng)元有3個輸入，則它有3個權重值，并且權重會在訓練期間輸出活性值a其計算公式如式(3-9)所示。矩陣，通過Softmax函數(shù)計算后變?yōu)閇88%,12%,0%]這樣的概率矩陣，值越大表示(6)損失函數(shù)通過計算最大概率的對數(shù)的負數(shù)來衡量輸出的好壞，其計算公式如式(3-10)所示。這部分內(nèi)容的創(chuàng)新主要體現(xiàn)在視角的選擇上，首先表現(xiàn)在對研究問題的獨特切入點。本研究超越了傳統(tǒng)研究中較為狹隘的角度，從宏觀和微觀兩個層面同時入手，既關注總體趨勢也重視個體特性，為理解復雜現(xiàn)象提供了新的思考路徑。這種雙重角度不僅增強了對研究對象內(nèi)部機制的理解，也為解決實際問題提出了更加具體的建議。式中f(zk)是Softmax層輸出的最大概率。接著圖3-5Softmax層的示例，Softmax輸出的結果是[88%,12%,0%]概率矩陣，則損失為-log0.88=0.056。分析公式可以看出，最大概率越大，損失越接近于0,網(wǎng)絡輸出結果就越準確(鄧曉宇，馮雪兒，2023)?；谝痪S卷積神經(jīng)網(wǎng)絡的滾動軸承故障診斷算法流程如圖3-6所示，具體步驟為：采集振動信號進行一定的組合而形成數(shù)據(jù)集，劃分訓練集和測試集；對前者進行標記，確定出對應標簽(每一種故障信號對應一個故障標簽),輸入到采集滾動軸承的一維振動信號采集滾動軸承的一維振動信號不同程度故障數(shù)據(jù)全壽命周期數(shù)據(jù)采樣窗創(chuàng)建樣本數(shù)據(jù)集時域特征變化趨勢劃分樣本部分組織為訓練樣本大尺度卷積層部分組織為測試樣本訓練階段更深層次的多尺度卷積層IDCNN模型前向傳播IDCNN模型調(diào)優(yōu)訓練好的IDCNN模型結構輸出診斷結果測試階段N差值滿足設計要求Y第四章案例結果與分析本文使用了美國西儲大學軸承數(shù)據(jù)中心的軸承試驗裝置[88]。RockwellScienceCenter曾經(jīng)完成了一次成功的滾動軸承故障檢測試驗，并公開分享他們采集到的軸承振動測試信號數(shù)據(jù)，這在某種程度上反映出該實驗數(shù)據(jù)得到了業(yè)界的高度認可，并被多次用于驗證各種軸承故障診斷技術(朱文杰，崔怡君，2023本文采用該組數(shù)據(jù)進行驗證。該滾動軸承故障診斷實驗系統(tǒng)的主要組成包括電動機、扭矩儀、功率計，相關的組成和連接情況如下圖4-1。在實驗過程中通過傳感器采集載荷功率和轉速相關的信息，同時確定出扭矩載荷。這在某種程度上標明由測試軸承支持對應的轉子，且在此位置設置單點故障進行故障模擬，而設置的故障直徑包括7、14、21、28mils。據(jù)此來描述出故障的嚴重性，同時還設置各類型故障，主要包括內(nèi)上凸顯了在進行信號采集時.將一個5000Hz的加速計設置在申機的端罩子上.通過記錄儀采集試驗軸承在各種條件下的轉動和振動信息，進行信息采集，設置的采樣頻率為12kHz。圖4-1實驗裝置平臺組成：(1)一個1.5KW(2馬力)的電動機(圖左側);(2)一個扭矩傳感器/譯碼器；(3)一個功率測試計(圖右側);(4)電子控制器(圖中沒顯示)。本次實驗研究過程中對比分析而選擇了12K頻率條件下的軸承故障數(shù)據(jù)，在運行過程中電機近似轉速為1797轉每分鐘，設置的故障直徑分為0.17、0.35、根據(jù)實驗相關要求選擇了6205-2RSJEMSKF深溝球軸承。SKF表示為斯凱軸承的規(guī)格為如表4-1所示。內(nèi)圈直徑外圈直徑厚度滾動體直徑節(jié)徑軸承的故障頻率(轉動頻率Hz的倍數(shù))如表4-2所示。內(nèi)圈故障外圈故障保持架故障4.2實驗結果與分析本次實驗采用keras框架。共600組數(shù)據(jù)，其中500組數(shù)據(jù)用來訓練卷積神經(jīng)網(wǎng)絡，100組數(shù)據(jù)用來驗證訓練結果。隨著500次訓練的進行，可以明顯看到精度(accuracy)在不斷提高，損失由圖4-2可知，訓練到第五百次時，精度已經(jīng)很接近1。由python顯示的運行結果(圖4-4)來看，最后的驗證精度(val_accuracy)可達0.9759183526039124,驗證損失(val_loss)可達0.13909408311293434。這說明基于卷積神經(jīng)網(wǎng)絡進行滾動軸承故障檢測，可以達到極高的準確度。>..]·ETA:θs·loss:0.0391·accuracy:0588B/5888[[0.12152346891626342,0.9789795875549316,0-12152346891626342,0.9789795875549316,e.12152346891626342,8.97897958Processfinishedwithex圖4-4運行結果第五章結論軸承是現(xiàn)代工業(yè)文明中不可或缺的重要零部件，一旦發(fā)生事故，便會帶來十分嚴重的損失。因此，各國技術人員和學者在對軸承故障診斷的研究過程中，投入了大量的時間和精力，開發(fā)出了多種多樣的軸承故障診斷方法和技術，特別是在人工智能技術得到廣泛運用的年代，軸承故障診斷技術的進展也突飛猛進，形成了成套的診斷系統(tǒng)和軟件。在不同的設備和診斷領域上，各種軸承診斷方法均取得了十分不錯的成果。卷積神經(jīng)網(wǎng)絡作為深度學習的代表，具有極強的性能。用它來檢測滾動軸承故障，可以達到極高的準確度。本文提出的基于卷積神經(jīng)的滾動軸承故障檢測模型準確度可以達到97.59%。這對比以前的滾動軸承故障診斷方式，具有更高的優(yōu)越性。參考文獻[1]ANONYM.ThecasewesternreserveOL].(2015-10-11)./bearingdatacenter/-data-file(accessed11October2015).[3]林哲宏、趙文輝、宋承志.基于深度學習的滾動軸承故障診斷研究綜述[J].設備管理與維[4]JiangL,ShiTL,etal.Faultanalysis[J].JournalofVibrationandControl,2014,20(3):470-480.technique[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartO:JournalofRiskandReliability,2015,229(2):105-11[6]XuJ,TongSG,etal.Theamatchingforrollingbearingfaultdiagnosis[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineeringScience,2015(17):32[8]鄧明煜、鄭澤濤、梁佳俊，etal,ApplicationofHilbert-HuangTransformtoacousticemissionsigprocess[J].Measurement,2021,47(1):14-21.[9]羅毅和、唐昱澤、李浩然.基于譜峭度及原子分解的滾動軸承故障診斷方法研究[D].上海：[10]張成棟、劉志遠、黃睿智.基于EEMD和最小二乘支持向量機的滾動軸承故障診斷方法[11]陳思遠、吳東升、王俊豪.電機軸承的智能故障診斷與性能退化趨勢預測[D].江南大[13]謝凌峰、董冠宇、孫睿東.滾動軸承故障特征提取與診斷方法研究[D].華北電力大學(北京),2016.[14]DingX,HeQ,LuoN.Afusionfeatureanditsimprovementbaprojectionsforrollingelementbearingfaultclassification[J].JournalofSoundVibration,2015,335:367-383.[15]王子豪、宋晨昊、林俊浩.機械故障診斷理論與方法[M].西安交通大學出版社，2009.[16]賈俊杰、彭宇飛、蔣明宇.基于小波降噪和經(jīng)驗模態(tài)分解的滾動軸承故障診斷[D].哈爾濱[17]張思博、馮浩然、周志翔.基于時頻分析的滾動軸承故障診斷方法研究[D].[18]李澤和、許凌云、鄭晨星.基于ESMD和SVM的滾動軸承故障診斷研究[D].2018.[19]Kilundu,X.Chiementin,J.鄧明煜、鄭澤濤、梁佳俊lostationarityofAcousticEmissions(AE)formonitoringbearingdefects[J].Mechanical李國偉、邱子豪、周悅文temsandSignalProcessing,2011,25:2061-2072.[20]Carrasco,B.Charnley.TheapplicationofspectralkurtosisonAcousticEmissionvibrationsfromadefectivebearing[J].Mechanical李國偉、邱子豪、周悅文temsandSignalProcessing,2011,25:266-284.[21]Tchakoua,R.Wamkeue,M.Ouhrouche,etal.WindTurbineCondState-of-the-ArtReview,NewTrends,andFuture[22]Kharche,SV.Kshirsagar.ReviewofFaultDetectioninBearing[J].InternationalJournalofInnovativeResearchinAdvancedEngineering,2014,1(5):[23]Sun,H.Windturbinefaultdetectionusingmultiwaveletdenoisingwiththedata-dthreshold[J].AppliedAcoustics,2014,77:122-129.[24]Ming,W.Zhang,ZY.Envelopecalculationofthemulthedeterministiccomponentcancellationinbearingfaultdiagnosis.Mechanical李國偉、邱子豪、周悅文temsandSignalProcessing.2015,50-51:70-100.[25]Zimroz,W.Bartelmus,T.Barszcz,etal.Diagnosticsofbearingsinpresenceofstrongoperatingconditionsnon-stationarity-Aprocedureofload-dependentfeaturespProcessing,2014,46(1):16-27.[26]王柏林、劉凱文、鄭智明.經(jīng)驗小波變換和支持向量機在滾動軸承故障診斷中的應用研究Development,2011,3(1):133-48.[29]Gabor,D.Theoryofcommunication[J].ElectricalEngineers-PartI:General,JInstit