10、电机轴承故障诊断的深度学习方法研究

电机轴承故障诊断的深度学习方法研究

在电机运行过程中，轴承故障是常见且影响较大的问题。传统的轴承故障诊断常依赖振动信号，但本文采用电机电流信号（MCS）进行故障诊断，展现了其在有效诊断轴承故障方面的潜力。

实验设置

实验设置了不同的转速、负载扭矩和径向力。其中三次设置使用 1500 rpm 的转速，一次设置使用 900 rpm 的转速；三次设置使用 0.7 Nm 的负载扭矩，一次设置使用 0.1 Nm 的负载扭矩；三次设置使用 1000 N 的径向力，一次设置使用 400 N 的径向力。除了数据集 KI16、KI18 和 KA16 的损伤尺寸大于 2 mm 外，所有数据集的损伤尺寸均小于 2 mm。并且在所有实验过程中，温度保持在约 50 °C 恒定。

数据处理与特征提取

在应用机器学习或深度学习算法之前，需要对数据进行预处理并提取重要特征，作为故障分类算法的输入。具体步骤如下：
1. 去除冗余频率 ：观察电机第一相的定子电流信号及其频谱，发现频谱中有两个主导频率 ω0 和 5ω0，这些频率在健康和受损轴承的电流信号中都存在，不提供新信息。因此，使用 MATLAB 设计信号处理滤波器，从电流信号中抑制 ω0 和 5ω0 频率，得到滤波后的电流信号用于特征提取。
2. 特征选择 ：
- 时域特征 ：研究表明，用于检测轴承故障最敏感的两个统计特征是 kurtosis（峭度）和 impulse factor（脉冲因子），它们能充分捕捉故障轴承的脉冲行为。另一个有用的时域特征是 clearance factor（间隙因子）