Frequency-domain-based Bayesian-optimized 1-D CNN feature learning for integrated bearing fault diagnosis and remaining useful life prediction
本研究提出了一种统一框架，该框架利用贝叶斯优化来调优用于提取深层特征的频域一维卷积神经网络（1-D CNN），随后将其用于在多个 NASA IMS 数据集上实现高精度轴承故障诊断和鲁棒的剩余使用寿命预测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
从发电厂中巨大的涡轮机到工厂机器人中安静的电机，所有旋转的机器都依赖于一个微小但至关重要的部件来保持平稳运转：滚动体轴承。这些由钢球或滚子组成的环位于旋转轴和固定外壳之间，使零件能够以极小的摩擦进行运动。像任何机械零件一样，它们也会随着时间的推移而磨损。当球体表面或其滚动的轨道上形成微小的缺陷时，随着轴承旋转，会产生一种节奏性的、重复性的沉闷撞击声。这些撞击声产生的振动会通过机器传播。几十年来，工程师们一直通过倾听这些振动来猜测轴承何时即将失效。然而，这些信号通常是杂乱且细微的，尤其是在磨损的早期阶段，这使得很难区分一台健康的机器和一台正在缓慢走向死亡的机器。挑战在于，如何找到一种方法，能够自动且准确地读取这些复杂的振动，不仅能发现故障，还能精确预测零件在损坏前还剩多少寿命。
奥多尼奥尔大学（Old Dominion University）的一个研究小组开发了一种新方法来解决这个问题，即通过教计算机以一种不同的方式“倾听”振动。研究人员并没有直接观察随时间变化的原始振动信号，而是首先将它们转换为频率图。想象一下将一首复杂的歌曲分解为它所包含的所有特定音符；这就是研究人员对机器噪音所做的工作。随后，他们使用了一种人工智能技术，具体来说是一种一维卷积神经网络，来研究这些频率图。这种计算机模型旨在自动寻找指示问题的最重要模式，例如内圈的裂纹或滚动球上的缺陷。他们工作的关键创新在于如何教这个计算机模型学习。研究人员并没有去猜测模型的最佳设置，而是使用了一种称为贝叶斯优化（Bayesian optimization）的智能搜索技术。这种方法会系统地测试不同的设置组合，并从每次尝试中学习，以找到针对特定数据集的最佳配置，就像一位厨师反复品尝酱汁并不断调整香料，直到味道恰到好处一样。
研究人员使用来自 NASA 的三组真实世界数据测试了他们的方法，在这些数据中，轴承被持续运行直至完全失效。这些数据集包括在内圈、外圈以及滚动球本身产生裂纹的轴承。这种新方法在识别这些故障方面表现得异常精准。在第一组测试集中，它正确诊断轴承状况的准确率达到了 99.85%。在第二组测试集中，它取得了 100% 的完美得分，正确识别了每一个健康和有故障的轴承。在第三组测试集中，它的准确率达到了 99.98%。与一种结合了两种不同类型神经网络的标准常用方法相比，新方法始终表现得更好，特别是在捕捉外圈失效的细微迹象方面，而这类失效是极其难以检测的。标准方法漏掉了大量的此类故障，而新系统则全部捕捉到了。
除了诊断出了哪里出了问题之外，研究人员还利用该系统来预测轴承在失效前还剩多少时间。他们将计算机学到的模式转化为一个追踪轴承状态（从健康到损坏）的健康评分。通过绘制该评分随时间变化的曲线，他们可以观察到机器健康的逐渐下降过程。然后，他们使用统计模型在这一下降趋势中画出一条直线，并预测健康评分何时会达到临界失效点。结果显示，他们的方法描绘出了一个更加平滑、更符合现实的退化过程图景。相比之下，标准方法经常显示健康评分上下跳动或过早触及上限，导致很难判断机器究竟何时会停止工作。新方法保持了信号的清晰和递进性，从而能够对剩余使用寿命进行更可靠的估计。
这项工作表明，通过将一种聪明的音频频率分析方法与一种自动化的计算机模型调优过程相结合，可以创建一个既能诊断机器故障又能预测其未来的统一系统。研究人员发现，让计算机自行寻找最佳设置，而不是依赖人类的猜测，可以产生一个更加稳健且准确的工具。对于依赖重型机械的行业来说，这种技术至关重要，因为它将维护工作从一种反应式实践（在损坏后进行修理）转变为一种主动式实践（在零件失效前进行更换），从而节省成本并防止意外停机。该研究证实，只要拥有正确的数据和正确的学习策略，机器就可以向我们准确说明它们何时需要帮助。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。