机械工程学报

作者：董绍江, 裴雪武, 汤宝平, 田科位, 朱朋, 李洋, 赵兴新

单位：1. 重庆交通大学机电与车辆工程学院 重庆 400074;2. 磁悬技术与磁浮列车教育部重点实验室 成都 610031;3. 重庆大学机械传动国家重点实验室 重庆 400044;4. 重庆长江轴承股份有限公司 重庆 401336

关键词：特征噪声能量比,滚动轴承性能退化评估,早期故障检测,改进深度残差收缩网络,寿命状态识别；

基金：国家自然科学基金（51775072），重庆市科技创新领军人才支持计划（CSTCCCXLJRC201920）和重庆市高校创新研究群体（CXQT20019）资助项目。

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题，提出一种基于特征噪声能量比（Feature-to-noise energy ratio，FNER）指标及改进深度残差收缩网络（Improved deep residual shrinkage network，IDRSN）的滚动轴承寿命状态识别新方法。首先，将全寿命轴承信号进行希尔伯特（Hilbert）变换和快速傅里叶变换（Fast fourier transform，FFT）得到包络谱，根据故障特征频率及其倍频计算包络谱幅值的特征能量比（Feature energy ratio，FER）；然后，根据自相关函数（Autocorrelation function，AF）得到包络信号的总能量，将故障特征能量和噪声能量的比值作为轴承性能退化指标，之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化；随后，使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力，将DropBlock层引入第一个大型卷积内核，在全局平均池化之前引入Dropout技术。最后，运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性，结果表明所提方法能更准确地实现滚动轴承寿命状态识别。

来源：2021年第15期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第15期