状元彩票 > 解决方案 > 旋转机械 > 故障诊断 > 基于深度学习的轴承故障诊断

基于深度学习的轴承故障诊断

轴承是旋转机械里很重要的组件,很多工业产品和消费电子等设备都会使用到轴承,轴承的稳定性直接影响设备运行的精度,可靠性和舒适性。如果在生产阶段发现轴承存在的瑕疵和问题,便能大大提高旋转机械的稳定性。相较于传统的轴承故障诊断技术,其高科技在故障诊断中加入最新的深度学习技术,大大提高了故障轴承的检测准确率。

故障诊断检测方法

现阶段传统的微型轴承检测方法一般情况先通过振动传感器采集当前轴承的振动,然后将振动信号转换为音频信号,通过工人听音检测是否存在异音,但是这种方法效率比较低而且由于人本身会受环境和自身疲劳的影响,判决的一致性并不好。近年来国内外学者的热点主要分了两大方向,1,基于专家系统的信号特征提取方法、2,基于人工智能的方法。这两种方法其实有异曲同工之处,基于专家系统的信号特征提取方法可以有效利用专家本身的经验知识,提取当前轴承的特征,并对故障进行识别。人工智能的方法基于深度网络自动对轴承的信号进行提取,并对故障进行识别。

 

振动信号的采集

轴承故障诊断的输入是轴承的振动信号,如果输入信号的一致性不好,那么第二步的轴承故障诊断的准确性就无从谈起。通过SignalPad测控软件采集轴承的振动信号,由其高科技自主研发的SignalPad测控软件是一款多功能信号采集与分析软件, 无需编程即可完成信号采集、存储、回放、分析、报告生成等功能。

 

特征提取方法

当被测轴承的故障率比较低,我们先提取故障信号的特征,通过SignalPad测控软件采集分析,得到正常和故障样品的特征对比。

 

 

特征整合和判断

 

 

基于深度学习的故障诊断方法

当有足够多的故障样本(100组以上)和良品样本,可以使用深度学习的方法对信号进行故障诊断和分类。

 

 

采用基于卷积的深度学习神经网络结构,CNN通过使用卷积操作来学习输入矩阵元素点之间的关系,从而提取特征。

 

 

当神经网络训练完成后,输入新的样品振动信号,神经网络利用学习的参数,即可得出样品是良品还是不良品。

 

 

结论

综上所述,在小样本情况下,可以通过特征工程配合门限判据得到很好的效果。在大样本情况下,可以使用深度学习的方法把判断精度进一步提升。在实际应用中,其高科技基于丰富的经验,可将信号特征提取和深度学习技术结合起来,进一步提升判据准确性。

 
 

桔子彩票官网 桔子彩票登陆 桔子彩票登陆 状元彩票开奖 吉利彩票开户 状元彩票计划 迪士尼彩乐园 博发彩票开户 状元彩票开奖 帝皇彩票官网