基于神經網絡和證據理論的滾動軸承故障預測方法

李泓洋 ，萬爛軍 ，李長云 ，陳意偉

（1.湖南工業大學 計算機學院，湖南 株洲 412007；2.湖南工業大學 智能信息感知及處理技術湖南省重點實驗室，湖南 株洲 412007)）

0 引言

滾動軸承是否正常運行往往直接影響到整個旋轉機械設備，據統計，30%旋轉機械設備故障是由滾動軸承故障引起的，由此可見，滾軸故障預測對保證整個設備的安全有效運行至關重要[1-4]。近年來，在軸承故障診斷方面已有較多的研究成果[5-12]，不少學者采用不同方法對滾動軸承故障進行了有效診斷。如唐貴基等[5]針對軸承振動信號中存在周期性沖擊現象，將不同故障軸承信號的時間-小波能量譜熵作為向量特征輸入，建立支持向量機，實現了對軸承的工作狀態和故障類型的判斷。林雅慧等[6]為了提高FSVM （fuzzy support vector machines）的診斷精確度，采用粒子群優化算法PSO（particle swarm optimization）對其進行改進。采用改進的PSO和FSVM 相結合的故障診斷模型在滾動軸承故障診斷領域取得很好的診斷效果。黃良沛等[7]根據滾動軸承振動信號的不同故障模式在頻域能量分布中的差異性，提出了基于小波包分解與重構和反向傳播（back propagation，BP）神經網絡的軸承故障模式識別技術。并以實驗結果證明采用小波包分解與重構和BP神經網絡相結合的方法可以比較準確地識別滾動軸承的故障。于景洋等[8]提出利用深度學習中的一維卷積神經網絡對滾動軸承進行故障診斷，并證明該方法具有一定的可行性和有效性。賀思艷等[9]針對傳統故障診斷方法診斷過程復雜、效果不佳的問題，提出一種基于二維卷積神經網絡的滾動軸承故障診斷方法，該方法可以準確地將滾動軸承的故障進行識別和分類。……