摘要
轴承作为工业设备中的重要零部件之一，被广泛应用于各个领域。因此，轴承的健康状态将直接影响到与之相联的机械设备的运行状态。据相关的文献记载，由轴承引发的机械故障高达41％。本文以滚动轴承为研究对象，依托信号处理和深度学习等方面的知识，解决以下两个问题。第一:滚动轴承在发生故障时，故障振动信号具有非稳定性、非线性的特点，难以对其中的故障特征进行提取，如何有效的进行故障特征的提取;第二:轴承故障类型的分类和识别。具体内容包括以下几个部分: (1)介绍了轴承的基本结构、常见的故障类型以及分析了故障对应的原因，并对滚动轴承的故障机理和特征频率进行了分析。最后，对本文所使用的实验数据进行了介绍。 (2)针对滚动轴承故障信号的非稳定性、非线性性等特点，导致故障特征难以提取的问题，本文提出了一种基于EEMD-PCA-LSTM的滚动轴承故障识别方法。将轴承处于不同故障情况下的振动信号作为输入，使用EEMD对振动信号进行分解，得到了若干个IMF分量，在使用主成分分析法对IMF分量进行降维，选取含有主要故障特征信号的分量。最后，搭建LSTM神经网络进行故障识别和分类。该模型的故障识别率可达93.03％左右。 (3)通过对轴承故障特征提取的研究，EEMD-PCAoLSTM模型在特征提取的过程当中，需要人工对故障特征进行筛选，为了实现故障特征的自动提取进而提高故障识别率，提出了一种基于CNN.RF的滚动轴承故障识别方法。将轴承处于不同故障情况下的振动信号转化为灰度图作为CNN网络的输入，利用CNN自适应提取故障特征，在将故障特征输入到RF分类器中进行分类。该模型的故障识别率可达99.79％。 (4)在实际工作环境中，存在着很多噪声，为了研究CNN-RF混合模型的抗噪性能，进一步验证该模型的有效性，在各个目标振动信号里面添加不同程度的噪声。实验结果表明，在噪声环境下，该模型具有良好的识别效果。
NETL