摘要
轴承是旋转机械不可或缺的一部分，可以帮助降低转子的振动，减少转子的摩擦,从而提高机械的可靠性和使用寿命。因此，轴承对于旋转机械的正常运行起着至关重要的作用。随着工业物联网技术、边缘计算、大数据、5G和人工智能等技术的持续发展,旋转机械故障诊断技术也已经向数字化和智能化的方向转变。 本文工作主要围绕轴承的边缘智能故障诊断（IFD）技术来开展。具体内容如下: （1）基于嵌入式系统，开发了数据采集、快速傅里叶变换、计算阶次跟踪、包络谱等程序。程序可用于分析稳定工况下的信号，监测轴承的运行状态。开发的程序与MATLAB的程序进行对比验证，取得了良好的效果。 （2）针对复杂工况下产生的振动信号不易于分析的问题，本文基于AlexNet提出了一种轻量化的卷积神经网络模型用于轴承故障诊断。该方法不依赖于故障诊断的先验知识，可以直接从采集到的振动信号提取特征，实现轴承的故障诊断。模型在凯斯西储大学（CWRU）和美国机械故障预防技术协会（MFPT）数据集上验证，结果表明，所提出的网络在经过简化后仍然保留了较高的准确率，可以精确地进行故障诊断。 （3）在边缘计算的背景下，提出了一种基于参数移植卷积神经网络的边缘智能诊断方法。该方法通过在嵌入式系统中构建神经网络模型，利用计算机来训练网络以获得最佳参数。接着将最佳参数移植到嵌入式系统中，在边缘侧对轴承进行实时故障诊断。该方法使用低成本的通用嵌入式平台实现IFD模型的嵌入式部署，使IFD能在更广泛的范围和更多的领域获得落地应用。利用实验室自制数据集验证，结果表明所提出的边缘IFD方法在轴承的故障诊断领域具有应用潜力。
NETL