首頁 > 解決方案 > 旋轉機械 > 故障診斷 > 基于深度學習的軸承故障診斷

基于深度學習的軸承故障診斷

軸承是旋轉機械里很重要的組件,很多工業產品和消費電子等設備都會使用到軸承,軸承的穩定性直接影響設備運行的精度,可靠性和舒適性。如果在生產階段發現軸承存在的瑕疵和問題,便能大大提高旋轉機械的穩定性。相較于傳統的軸承故障診斷技術,其高科技在故障診斷中加入最新的深度學習技術,大大提高了故障軸承的檢測準確率。

故障診斷檢測方法

現階段傳統的微型軸承檢測方法一般情況先通過振動傳感器采集當前軸承的振動,然后將振動信號轉換為音頻信號,通過工人聽音檢測是否存在異音,但是這種方法效率比較低而且由于人本身會受環境和自身疲勞的影響,判決的一致性并不好。近年來國內外學者的熱點主要分了兩大方向,1,基于專家系統的信號特征提取方法、2,基于人工智能的方法。這兩種方法其實有異曲同工之處,基于專家系統的信號特征提取方法可以有效利用專家本身的經驗知識,提取當前軸承的特征,并對故障進行識別。人工智能的方法基于深度網絡自動對軸承的信號進行提取,并對故障進行識別。

 

振動信號的采集

軸承故障診斷的輸入是軸承的振動信號,如果輸入信號的一致性不好,那么第二步的軸承故障診斷的準確性就無從談起。通過SignalPad測控軟件采集軸承的振動信號,由其高科技自主研發的SignalPad測控軟件是一款多功能信號采集與分析軟件, 無需編程即可完成信號采集、存儲、回放、分析、報告生成等功能。

 

特征提取方法

當被測軸承的故障率比較低,我們先提取故障信號的特征,通過SignalPad測控軟件采集分析,得到正常和故障樣品的特征對比。

 

 

特征整合和判斷

 

 

基于深度學習的故障診斷方法

當有足夠多的故障樣本(100組以上)和良品樣本,可以使用深度學習的方法對信號進行故障診斷和分類。

 

 

采用基于卷積的深度學習神經網絡結構,CNN通過使用卷積操作來學習輸入矩陣元素點之間的關系,從而提取特征。

 

 

當神經網絡訓練完成后,輸入新的樣品振動信號,神經網絡利用學習的參數,即可得出樣品是良品還是不良品。

 

 

結論

綜上所述,在小樣本情況下,可以通過特征工程配合門限判據得到很好的效果。在大樣本情況下,可以使用深度學習的方法把判斷精度進一步提升。在實際應用中,其高科技基于豐富的經驗,可將信號特征提取和深度學習技術結合起來,進一步提升判據準確性。

 
 

老公会介意老婆赚钱少吗 下载大众麻将合集 决策主力股票论坛 二人麻将怎么玩 福快乐8是正规彩票吗 彩色印刷图库彩图 棋牌游戏开发要多少 钱龙捕鱼个人技巧 股票怎么入门 海南飞鱼彩票奖金 海王捕鱼九游