基于ISSAE和XGBoost的滚动轴承故障诊断研究*

向 川,任泽俊,赵 晶,周佳慧

(1.大连海事大学 船舶电气工程学院,辽宁 大连 116026;2.国网山东省电力公司 电力科学研究院,山东 济南 250000)

0 引 言

滚动轴承作为旋转机械的一个重要组成部分,被广泛用于社会生产中的各个领域。经研究表明:在旋转机械设备发生的故障中,有大约30%是由滚动轴承的损伤所引起的[1],这对设备本身及生产安全都造成了严重危害;所以,针对滚动轴承的故障诊断具有重要的意义。

目前,对轴承进行故障诊断的常用方法中,其诊断过程可分为两个阶段:特征提取阶段与特征识别阶段(即故障类型的识别)[2]。在特征提取的过程中,主要包括了传统信号分析方法和深度学习方法两大类。

就传统信号分析方法来说:文献[3]通过频谱分析来判断电机轴承的故障类型;文献[4]利用了多重分形谱参数来表征不同的故障状态,通过比较不同的多重分形特征来进行故障状态的识别;文献[5]利用了奇异值分解及Hilbert变换,对轴承故障信号的瞬时幅值函数和频率函数进行了解调,最后通过观察瞬时故障特征频率,来识别轴承的故障状态。

这些信号分析法在故障诊断中可以达到不错的效果。但是,它们提取特征是通过人工选择的方式,这一过程需要大量的信号处理知识及故障诊断经验。此外,这种根据特定情况进行人工提取特征的方法,很可能在变换数据集后就不再适用了。

深度学习,如卷积神经网络(convolutional neural network,CNN)、深度神经网络(deep neural networks,DNN)、自编码网络(auto-encoder, AE)等,是近几年兴起的一种基于机器学习方法的扩展,它在图像、语音识别等领域已经取得了丰硕的成果。……