9、基于长短期记忆网络（LSTM）的电机轴承故障诊断

基于长短期记忆网络（LSTM）的电机轴承故障诊断

1. 引言

滚动轴承是旋转机械中的关键部件，它通过减少旋转摩擦来支撑径向和轴向载荷，从而使机械能够承载重负荷。这些轴承对于确保机械的最佳性能至关重要，但一旦出现故障，可能导致机械停机，造成重大经济损失。在电机中，由于过载应力和不对中，轴承是最容易受损的部件。轴承故障通常由润滑不足、疲劳、安装不当、腐蚀、电气损坏或异物污染引起，表现为磨损、压痕和剥落等形式。据统计，电机中约50%的故障都发生在轴承上。

滚动轴承由内圈和外圈组成，内圈通常安装在电机轴上，两圈之间有一些滚珠或滚子。持续的应力会导致内圈和外圈的材料碎片脱落。由于轴承容易受损，轴承故障诊断吸引了众多研究人员的关注。典型的轴承故障诊断方法是使用信号处理方法分析电机中受损轴承的不同测量信号。

本文主要分析内圈和外圈故障。每种故障都对应一个特征频率 $f_c$，计算公式如下：
- 外圈故障：$f_0 = \frac{N_b}{2} f_r (1 - \frac{D_b}{D_c} \cos \beta)$
- 内圈故障：$f_i = \frac{N_b}{2} f_r (1 + \frac{D_b}{D_c} \cos \beta)$

其中，$N_b$ 是滚珠数量，$D_b$ 是滚珠直径，$D_c$ 是保持架直径，$\beta$ 是滚珠与滚道的接触角，$f_r$ 是转子的旋转频率。当滚珠旋转并撞击缺陷时会产生脉冲效应，从而产生这些特征频率。这些特征频率是轴承几何形状和转子频率的函数。脉冲效应会在特征频率处产生转子偏心，导致转子与定子之间的气隙发生变化，进而使电机电感也发生变化。然而，这些特征频率和边带只有在特定条件下才能可靠检测，因为它们极