时变转速条件下基于振动的实时轴承故障诊断
机器学习
2026-02-03 v2 人工智能
系统与控制
系统与控制
摘要
滚动轴承故障的检测对于实施主动维护策略以及最小化意外故障造成的经济与运行后果至关重要。然而,许多现有技术是在严格受控条件下开发与测试的,限制了其对实际应用中多样且动态环境的适应性。本文提出一种高效的实时卷积神经网络(CNN),用于在各种噪声水平与时变转速下诊断多种轴承故障。此外,我们提出一种新颖的基于 Fisher 的谱可分离性分析(SSA)方法,以阐明所设计 CNN 模型的有效性。我们在健康轴承以及内圈、外圈和滚珠存在故障的轴承上进行了实验。实验结果表明,我们的模型相对于当前最先进方法在三个方面具有优越性:准确率提升高达 15.8%;对噪声具有鲁棒性,在不同信噪比下均保持高性能;且可实时运行,处理时长比采集时长短五倍。此外,通过使用所提出的 SSA 技术,我们深入理解了模型性能,并强调其在应对现实挑战方面的有效性。
引用
@article{arxiv.2311.18547,
title = {Real-Time Vibration-Based Bearing Fault Diagnosis Under Time-Varying Speed Conditions},
author = {Tuomas Jalonen and Mohammad Al-Sa'd and Serkan Kiranyaz and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2311.18547},
year = {2026}
}