传感器|智能主轴技术发展综述( 四 ) 算法|CNN|机械

使用小波包分解重构提取信号特征，通过粒子群算法优化SVM参数并识别主轴切削颤振状态；文献[26
将主轴振动信号进行连续小波变换后输入到卷积神经网络中，并根据网络的分类结果判别颤振；文献[27
使用小波包变换对主轴振动信号和声音信号进行分解，通过RFE寻找最佳特征子集并使用人工神经网络进行颤振诊断，同时提出一个新的特征指标。然而，颤振识别面临单传感器信号诊断准确率不高的问题；而且，主流算法均以特征明显的实验室数据集作为测试样本，不能满足实际工程需求，也难以满足实时性要求。 3.1.2 主轴部件状态感知主轴部件状态主要分为电动机状态和轴承状态。电动机作为直接动力源，涉及到各工业领域生产活动的连续运行，其故障会导致整个生产线停产[28
，故障模式主要包括短路、导条断裂、接地故障和气隙不均等。电动机是出厂时调试好的部件，其稳定性和寿命相对其他部件较优，目前的状态评估算法很少将电动机故障作为识别重点，一般通过与其相似的其他电动机故障类型进行分析。电动机一般以电流信号作为主要感知信号，由于电流信号受主轴功率和切削状态的影响很大，难以对电动机做出准确的状态判别。也有一些研究通过转速等其他信号进行电动机状态估计，如文献[29
根据转速波动提出AIEKF状态估计方法，优化了电动机评估的准确率。轴承是主轴的基础部件和核心部件，约40%的旋转机械故障是轴承故障所引起的[30
。轴承的工作环境十分恶劣，环境温度高，承受载荷大，其状态也是重要的监测内容，关于轴承故障诊断的算法研究取得了很多成果，当前轴承故障诊断的两大类方法如图3所示。

图3 轴承故障诊断技术
Fig.3 Bearing fault diagnosis technology
基于信号处理的轴承诊断技术主要通过信号处理方法提取并分析响应信号的故障特征，从而有效识别轴承故障：文献[31
对轴承振动信号进行快速傅里叶变换并检测振动模式发生的变化，从而进一步得出故障情况；针对传统傅里叶变换难以解决信号的非平稳性及变化较快，无法准确获得有用信息的问题，文献[32
提出了一种新的自适应经验傅里叶变换方法，并通过试验证明该方法能够提高轴承故障诊断准确率；文献[33
研究了小波变换在轴承故障诊断中的应用，利用一种加权香农函数对某些频带的小波系数函数进行合成，并采用平均自相关功率谱突出轴承故障特征，试验表明该方法对非平稳信号的特征提取和状态识别的效果均优于其他方法；文献[34
提出了一种改进的经验小波变换方法，提升了滚动轴承故障诊断的快速性和准确性；文献[35
利用经验模态分解(EMD)和双谱分析进行轴承故障诊断，避免了选择小波基函数的经验问题；针对EMD的端点效应，文献[36
提出了改进的基于带宽的经验模态分解方法，文献[37
提出了新的自适应经验模态分解方法，使提取的故障特征更加集中，能够更有效地检测轴承故障。综上可知，信号处理方法的诊断过程比较复杂，而且需要依赖专家经验进行最终的判别。学术界对深度神经网络的研究较为深入，轴承故障诊断也据此取得了较多成果：文献[38
提出了一种用于海量数据的旋转机械故障特征挖掘和智能诊断的深度神经网络(DNN)方法；文献[39
利用压缩感知改进卷积深度信念网络，提高了压缩数据特征学习能力；文献[40
使用多个振动传感器的信号进行数据层融合，通过改进结构的CNN网络进行轴承故障诊断。目前，主流的轴承故障诊断均采用卷积神经网络进行处理，具有深度特征提取，诊断准确率高等优点。