基于神经网络的滚动轴承故障诊断方法研究

摘   要：现今工业化的快速发展，机械化设备已经代替了传统的手工业。轴承作为机械设备中不可缺少的零件，应用在各个领域。因此，对轴承进行定期检测诊断十分重要。传统的故障诊断方法难以从大量故障数据集中挖掘故障的内在信息并进行准确识别，且过于依赖先验知识。为此，该文提出将卷积神经网络作为理论基础，利用深度学习智能故障诊断方法，自动提取故障信息识别故障类型完成实验研究。

关键词：深度学习   神经网络  滚动轴承   故障诊断

中图分类号：TH133.33 文献标识码：A   文章编号：1672-3791（2021）11（a）-0000-00

Research on Fault  Diagnosis Method of Rolling Bearing Based on Neural Network

HAN  Xiaoliang

（School of Information Engineering， Shenyang University of Chemical Technology， Shenyang， Liaoning  Province， 110142 China）

Abstract：With the rapid development of industrialization， mechanized equipment has replaced the traditional handicraft industry. As an indispensable part of mechanical equipment， bearing is applied in various fields. Therefore， it is very important to detect and diagnose the bearing regularly. Traditional fault diagnosis methods are difficult to mine the internal information of faults from a large number of fault data sets and identify them accurately， and rely too much on a priori knowledge. Therefore， this paper proposes to take convolution neural network as the theoretical basis and use deep learning intelligent fault diagnosis method to automatically extract fault information and identify fault types to complete the experimental research.

Key Words： Deep learning;Neural network;Rolling bearing;Fault diagnosis

随着时代的发展，滚动轴承作为完成智能制造中旋转机械的最广应用的零件之一。一旦它出现问题，不仅仅影响自身的安全运行，还会导致巨大的经济损失[1]，甚至威胁到工作人员的人身安全，引发重大的工业安全事故。研究数据显示，高达30%的工业事故都是有轴承故障引发的，轴承出现故障多是由于复杂的工作环境以及长期工作状态导致。我们可以研究诊断方法提前预防，这样既减少了后期设备的维修费用也节省了不必要浪费的时间。深度学习的诊断方法，适用于轴承数据较大的研究对象，通过数据驱动挖掘数据内涵的有用故障信息来诊断故障类型。

1 神经网络的基础理论

该文利用卷积神经网络进行故障诊断识别，它是一种端到端的数据处理方法。传统CNN主要包括输入层[2]、卷积层、池化层、全连接层、输出层。

1.1卷积层

卷积层的具体操作是将输入样本与一堆可学习的卷积核进行卷积[3]，通过横向滑动一定的步长挖掘不同层的不同抽象程度的特征向量。……