Fehlerdiagnose von Wälzlagern basierend auf STFT-Deep Learning und Geräuschsignalen

Die Hauptschwierigkeit bei der Fehlerdiagnose besteht darin, gute Fehlermerkmale zu finden. Ein Deep Learning-Netzwerk hat die Fähigkeit, automatisch gute Eigenschaften aus Eingabedaten auf unüberwachte Weise zu lernen, und seine einzigartige schichtweise Vorabtraining und Feinabstimmung unter Verwendung der Rückpropagationsstrategie kann die Schwierigkeiten beim Training tief geschichteter Netzwerke lösen. Gestapelte spärliche Autoencoder oder andere tiefe Architekturen haben hervorragende Leistungen in der Sprach- und Gesichtskennung, Textklassifikation, Bildkennung und anderen Anwendungsbereichen gezeigt. Bisher gab es jedoch sehr wenige Forschungsstudien zu Deep Learning in der Fehlerdiagnose. In diesem Papier wird eine neue Methode zur Fehlerdiagnose von Wälzlagern vorgeschlagen, die auf der kurzzeitigen Fourier-Transformation und gestapelten spärlichen Autoencodern basiert; diese Methode analysiert Geräuschsignale. Nachdem die Spektrogramme durch die kurzzeitige Fourier-Transformation erhalten wurden, wird der gestapelte spärliche Autoencoder verwendet, um automatisch die Fehlermerkmale zu extrahieren, und die Softmax-Regressionsmethode wird als Klassifikationsmethode für die Fehlerarten verwendet. Die vorgeschlagene Methode, die auf Geräuschsignale angewendet wird, die von einem Wälzlagerprüfstand erhalten wurden, wird mit empirischer Moduszerlegung, Teager-Energieoperator und gestapeltem spärlichen Autoencoder verglichen, wenn Vibrationssignale verwendet werden, um die Leistung und Effektivität der vorgeschlagenen Methode zu überprüfen.