探索基于声音与振动的旋转机械鲁棒故障检测

旋转机械故障的鲁棒实时检测已成为各行业预测性维护的终极目标。基于振动的深度学习 (DL) 方法已成为轴承故障检测的事实标准，因为它们在某些条件下可以产生最先进的检测性能。尽管对振动信号有这种特别的关注，但另一方面，声音的利用却被忽视了，在过去二十年中仅提出了少数几项研究，且所有这些研究都基于传统的机器学习方法。一个主要原因是缺乏一个基准数据集，该数据集能够为不同机器和传感器位置提供涵盖多种工作条件的大量振动和声音数据。在本研究中，我们通过提出新的基准卡塔尔大学双机轴承故障基准数据集 (QU-DMBF) 来满足这一需求，该数据集包含了在总共 1080 种工作条件下运行的两个不同电机的声音和振动数据。然后，我们将重点放在由于众多安装和操作条件导致的基于振动的故障检测的主要局限性和缺点上。最后，我们提出了第一个用于基于声音的故障检测的深度学习方法，并在 QU-DMBF 数据集上对声音和振动进行了比较评估。广泛的实验结果表明，基于声音的故障检测方法明显比其基于振动的对应方法更鲁棒，因为它完全独立于传感器位置、具有成本效益（无需传感器和传感器维护），并且可以达到与其基于振动的对应方法相同的最佳检测性能水平。通过本研究，QU-DMBF 数据集、PyTorch 中的优化源代码以及比较评估现已公开分享。