您所在的位置: 成果库 一种变工况条件下的滚动轴承故障诊断方法

一种变工况条件下的滚动轴承故障诊断方法

发布时间: 2022-02-16

基本信息

合作方式： 技术服务
成果类型： 发明专利,新技术
行业领域：
采矿业
成果介绍

一、项目背景

滚动轴承是电力、石化、冶金、机械、航空航天以及一些军事工业部门中使用最广泛的机械零件,也是最易损伤的部件之一。它具有效率高、摩擦阻力小、装配方便、润滑易实现等优点,在旋转机械上应用非常普遍,并起着关键作用。旋转机械设备的许多故障都与滚动轴承有着密切的关联。据有关资料统计,机械故障的70％是振动故障,而振动故障中有30％是由滚动轴承引起的。这是因为滚动轴承在机械设备中起着承受载荷和传递载荷的作用,而且工作条件比较恶劣，长期连续工作在高载荷、高转速下，容易受到损害和出现故障。滚动轴承故障引起的直接后果轻则降低和失去系统的某些功能,重则造成严重的甚至是灾难性的事故。因此，滚动轴承的故障诊断方法,一直是机械故障诊断中重点发展的技术之一，具有重要的社会经济意义。

二、技术方案

设计了一种变工况条件下的滚动轴承故障诊断方法，该方法基于一种工况自适应深度神经网络模型，该工况自适应深度神经网络模型的输入是不同工况条件下轴承的振动信号x∈X，特征空间X可以是原始振动信号经过快速傅里叶变换后获得的频谱向量，输出为故障类型标签y∈Y＝{1,2,…,K}和样本所属的工况类型标签d∈{0,1}。假设和表示不同工况下故障样本的分布情况，分别记为源领域分布和目标领域分布。和表示不同工况下振动信号的边缘分布情况。如果振动信号xi来自源领域，即那么di＝0。如果振动信号xi来自目标领域，即那么di＝1。

三、技术优点

针对不同工况条件下故障的边缘分布相同，但每类故障样本的条件分布在尺度和位置上发生变化的特点，设计了工况自适应深度神经网络模型及相应的变工况故障诊断方法，克服了变工况条件下传感数据分布的差异，提供了一种能够消除工况影响，并获取仅反映滚动轴承故障或性能退化的信息的方法，从而使滚动轴承故障的诊断更加准确，具有极高的推广价值。

成果亮点
团队介绍
成果资料