运用软计算技术对滚动轴承的故障进行分类[外文翻译].rar

附件C：译文

运用软计算技术对滚动轴承的故障进行分类
Marco Cococcioni, Beatrice Lazzerini, Sara Lioba Volpi
（意大利比萨大学信息工程学院）
摘 要：这篇论文主要是基于分类技术，对轴承元件的各种故障和缺陷进行监测与诊断。论文中所提及的各种实验都是基于来自于超过装有十个滚动轴承的机械设备中的振动信号，这些轴承的元件都是用加速度计进行检测的，其中，用到了两个轴承，一个是完好无损的，一个是人工损坏的，这个损坏的轴承包括了四种不同类型的缺陷。所运用到的软计算技术包括线性判别分类，二次判别分类，多层感知器神经网络分类及分类融合，实验研究表明，基于在频域范围内表示的振动信号分析，对轴承的各类故障分析以及缺陷的严重程度都有很高的准确性。
关键词：自动故障检测，故障分类，多层感知器，统计分类，分类融合


1引言
在工业制造当中，机械系统的崩溃与实效，可能会对人类，机械设备和环境造成严重的影响[1]-[4]。基于这个原因，机器状态的监测已经成为工业系统当中不可分割的一部分了，这些设备故障检测系统主要是为了减少机器停工时间，从而减少企业损失，提高生产效率。目前主要有三种类型的系统维护：事后矫正，事先预防，以设备状况为主的预情维护。
事后矫正是在机器设备已经发生故障的前提下对系统进行修理维护，而事先预防则是通过定期的检查机器设备运行状态与周围环境条件旨在防止可能发生的设备故障。前两种维护方法都有严重的缺陷：前者没有预防任何故障，而后者则可能会浪费大量的时间与经济成本，因为有些控制手段可能完全就是没有任何效果的，为了克服上述缺点，CBM（以设备状况为主的预情维护）就应运而生了。
CBM主要包括对系统状态的监测及在最有必要的时候才对机械系统采取最适当的维护。在旋转机械设备中已经广泛运用了CBM[3,4]。事实上，旋转机械在大多数制造和生产工业中应用极为广泛，实时监测和诊断对保证产品的连续可靠的生产至关重要。大多数旋转机械都是靠轴承进行支撑，而这些轴承有可能会生成各种不同类型的故障从而导致系统整体的实效，大大降低系统性能水平。现在已经有很多方法可以应用于轴承的故障检测。
对轴承的故障分析传统的有时域分析和频域分析，有单独运用也有结合两者共同分析的，时域分析的主要性能参数有RMS（有效值），波峰因素，尖峰的峭度，而频域分析主要是建立在傅里叶变换技术。频域分析师应用最广泛的，有可能是因为在频域上振动信号的特征比在时域上的更容易观察。
这篇论文主要是出于以下目的：对包含滚动轴承的机械物体进行分析1）检测故障是否存在2）识别故障类别3）诊断出故障的严重程度。出于这个目的，我们采用了两种统计分类方法，即线性识别分类方法（LDC）和二次判别分类方法（QDC）,以及多层感知器（MLP）神经网络。