轴承故障诊断——领域知识

原创 2024-08-26 01:41:33 3.5k 阅读 AI写同款

林文韬327

2362粉丝22篇原创

关注

一篇关于轴承故障诊断的综述在设备的故障检测中，有约30%-40%的设备故障是由轴承故障引起的，因此本文将列举有关检测轴承故障使用到的相关数据集，模型和算法。数据集现有的数据集，普遍由固定在电机马达上的两个震动检测器获得，并根据需要，分离震动数据在时域和频域上的特征以供网络模型学习。不同的数据集，区别在于，检测的马达转速不同，环境不同，取样频率不同，一段样本的时长不同等等（1）Case Western Reserve University (CWRU) Dataset 该数据集拥有多种数据，测量的时候，通过改变轴承. 阅读详情

AI摘要

本文详细介绍轴承故障诊断技术，涵盖现代信号处理方法、机器学习应用及数据分析技术。介绍时域、频域及时频域分析方法，并探讨复杂工况下的信号处理挑战。

先把故障机理以及相应的基础的现代信号处理方法搞一搞，然后再开始上机器学习/深度学习算法。

然后，开始时域，频域分析，关于时域特征；了解下频谱，包络谱，平方包络谱，倒谱，频谱细化分析等等；还有各种熵值特征，分形特征。

发现时域，频域分析在面对（变速，变负载等等）复杂工况下不够用，开始进行时频谱分析，这方面的内容可太丰富了，找感兴趣的方向即可。

先说缺乏数学理论基础的，经验模态分解及其众多变体（EMD,EEMD,CEEMD，还有各种抑制模态混叠和端点效应的方法），局部均值分解LMD，局部特征尺度分解等等。然后开始分数阶傅里叶变换，短时傅里叶变换STFT，小波分析及众多变体（双树复小波，可调Q因子小波，多小波等等），WVD分布，变分模态分解，经验小波变换，辛几何模态分解，同步挤压变换，高阶同步挤压变换等等。

最后，就可以上机器学习/深度学习模型了，支持向量机SVM,随机森林，其他集成模型，线性回归，隐马尔可夫模型，字典学习，主成分分析，贝叶斯方法，堆栈自编码器及众多变体，深度信念网络DBN，卷积神经网络CNN，长短时记忆网络LSTM，生成对抗网络GAN等等，找感兴趣的方向即可。

作者：哥廷根数学学派
链接：https://zhuanlan.zhihu.com/p/550433862

绪论

机械故障诊断技术是一种利用各种检测方法，测取并分析、处理机械设备在运行中的状态信息，确定其整体或局部是否正常，早期发现故障及其原因，并能预报故障发展趋势的技术。

①机械运行过程是动态随机过程。即使同型号机械设备由于装配、安装及工作条件上的差异，也往往导致机器的工况状态及故障模式改变。

②从系统特性来看，机械设备都是由成百上千个零部件装配而成，零部件间相互偶合，决定了机械设备故障的多层次性。故障与现象之间没有简单的对应关系。

③如果仅从某一个参数或某一个侧面去分析而做出判断，一般很难做出正确的决策。应该从随机过程的理论出发，运用各种现代多学科融合的分析工具，综合判断机械的故障现象、属性、形成及其发展趋势。

研究内容

机械状态信号的测量、机器状态或失效信息的提取、状态识别、诊断决策等几个步骤.

诊断方法

1 基于信号处理的方法：对测得的振动量在时域、频域和时频域进行特征分析，用于确定机器各种故障的类型和性质。

2 基于知识的方法：通过处理测量到的输入输出信号来实现故障诊断。必须拥有大量的关于系统故障的经验知识，具有实测到的大量的各类故障样本数据。(机器学习)

3 基于解析模型的方法: 建立被诊断对象的较为精确的数学模型.

诊断手段

1 振动诊断，对机器主要部位的振动值（位移、速度、加速度、转速、相位值）进行测定，在时域、频域、时-频域进行特征分析。

2 噪声诊断

3 温度、压力等常规参数（价格便宜、形式多样）

4 无损诊断（超声波探伤、X射线探伤、渗透探伤、磁粉探伤），一般用于材料表面或内部。

5 油液分析（光谱分析、铁谱分析）