文件名称：基于学习的轴承多个故障诊断-研究论文
文件大小：1.15MB
文件格式：PDF
更新时间：2024-06-09 12:14:46
Vibration; multiple faults; diagnostics; machine
可靠的诊断框架必须具有处理许多诊断条件的能力，包括轴承中多个故障的情况。 在这种情况下，及时，可靠的故障检测和评估对于防止漏检，维护不足以及由于故障而导致的利润损失至关重要。 在共同感兴趣的背景下，多重故障诊断的问题在文献中很少受到关注，以改进单一故障诊断。 与单故障诊断相比，多故障诊断还有其他挑战：弱故障被强故障淹没，时域和频域的振动特性重叠，频率分量的耦合等等。 为了应对这些挑战，提出了几种解决方案，包括基于人工智能的解决方案。 然而，大多数智能方法依赖于基于故障的先验信息的手动特征提取，并且新问题通常需要特征提取器的新设计。 深度学习是一种有希望的工具，可以应对通常提出的智能方法的已知挑战。 本文提出了一种基于学习的新框架，可以在轴承出现多个故障的情况下提高故障诊断的效率。 集成到框架中的深度学习有助于克服手动特征工程的挑战，同时保持良好的诊断效率。 使用通用信号处理技术，通过数据集的版本来提供对分类阶段的输入。 该方法的结果证明了在检测和分类多个故障中有希望的结果。