摘 要

　　隨著(zhù)工業(yè)和科技的快速發(fā)展，數控機床的智能化水平不斷提高，設備部件的故障診斷技術(shù)已經(jīng)趨于成熟，但是故障診斷只能做到對部件的故障分類(lèi)，不能智 能預警。因此，滾動(dòng)軸承的故障預警系統受到大家的青睞，該系統具有狀態(tài)檢測、預知故障以及提供預警建議的能力。但目前的系統大多通過(guò)軸承的失效機理和本身的服役性能來(lái)間接的提供預警，這種方式不具有很強的智能性，因此本文通過(guò)深度學(xué)習技術(shù)來(lái)預測軸承的剩余壽命，通過(guò)壽命的結果給出相應的預警措施，結合軟件工程理論搭建易于操作的預警系統。

　　首先，對滾動(dòng)軸承的具體結構進(jìn)行分析，給出了軸承的退化類(lèi)型；介紹軸承振動(dòng)產(chǎn)生的原因，通過(guò)對軸承振動(dòng)頻率進(jìn)行分析，對比自身運行產(chǎn)生振動(dòng)和退化造成振動(dòng)的區別，為振動(dòng)信號可用于預測壽命提供理論依據；總結出軸承性能的退化規律，給出軸承剩余壽命預測和故障預警的聯(lián)系。

　　然后，針對滾動(dòng)軸承剩余壽命難預測的情況，在分析了軸承原始信號特征提取困難的基礎上，提出了降噪自編碼器信號預處理以及基于多尺度卷積神經(jīng)網(wǎng)絡(luò )的軸承剩余壽命預測方式。該方法首先使用降噪自編碼器對軸承原始振動(dòng)信號進(jìn)行編碼，然后將編碼結果依次經(jīng)過(guò)淺層特征提取模塊、深層特征提取模塊、數據融合模塊和輸出模塊這四部分進(jìn)行處理，最后輸出預測的剩余壽命。同時(shí)提出了一種新型的改進(jìn)均方誤差作為網(wǎng)絡(luò )的損失函數，取得了較好的效果。通過(guò)對軸承壽命預測實(shí)驗的測試數據進(jìn)行預測分析，該方法能夠有效的預測軸承的剩余壽命。

　　最后，對軸承故障預警系統進(jìn)行了總體規劃，通過(guò)設計軟件和硬件對系統提供服務(wù)。硬件部分選取了型號為 LIS3DSH 的加速度計采集軸承振動(dòng)信號，緩存Redis 模擬消息隊列以及 InfluxDB 數據庫對振動(dòng)信號進(jìn)行持久化。軟件部分通過(guò)Keras 框架生成底層網(wǎng)絡(luò )模型，使用 Java 開(kāi)發(fā)系統的各個(gè)模塊，采用前后端分離的架構，實(shí)現了用戶(hù)登錄和管理、設備管理、權限控制、數據輸入、壽命分析和預警等功能。

　　關(guān)鍵詞：多尺度卷積神經(jīng)網(wǎng)絡(luò )， 預處理，剩余壽命預測，預警系統

Abstract

　　With the rapid development of industry and technology, machine tools are becoming more and more intelligent. The fault diagnosis technology of equipment components has matured, but fault diagnosis can only classify the faults of components, and cannot intelligently warn. The rolling bearing fault early warning system is favored by everyone. The system has the ability of status detection, predicting faults and providing early warning suggestions. However, most of the previous systems provide warning indirectly through the failure mechanism of the bearing and its service performance. Therefore, this paper uses deep learning technology to predict the remaining life of the bearing, gives early warning measures through the results of the life, and combines software engineering theory to build an easy-to-operate early warning system.

　　First, the structure of the rolling bearing is analyzed, and the degradation type of the bearing is given. Introduce the causes of bearing vibration. By analyzing the vibration frequency of the bearing, compare the difference between the vibration caused by its own operation and the vibration caused by degradation, and provide a theoretical basis for the vibration signal to be used to predict the life. Summarize the degradation law of bearing, and give the relationship between bearing remaining life prediction and failure warning. At the same time, a new improved mean square error is proposed as the loss function of the network, and good results are achieved. Through predictive analysis of the test data of the bearing life prediction experiment, this method can effectively predict the remaining life of the bearing.

　　Then, for the situation that the remaining life of rolling bearings is difficult to predict, based on the analysis of the characteristics of bearing original signal, it is difficult to extract the signal preprocessing of noise reduction autoencoder and the prediction method of remaining life of bearings based on multi-scale convolutional neural network. In this method, the original vibration acceleration signal is preprocessed by a noise reduction autoencoder, and then the pre-processing result is used as input, and then processed through four parts: shallow feature extraction module, deep

　　feature extraction module, data fusion module, and output module. Finally, the predicted remaining life is output. At the same time, a new type of improved mean square error is proposed as the loss function of the network, which has achieved good results. This method can effectively predict the remaining life of the bearing by predicting and analyzing the test data of the bearing life prediction experiment.

　　Finally, the overall planning of the bearing failure early warning system was carried out, and the system was provided with services by designing software and hardware. The hardware part selects the accelerometer model LIS3DSH to collect bearing vibration signals, caches the Redis analog message queue and the InfluxDB database to persist the vibration signals. The software part generates the underlying network model through the Keras framework, uses each module of the Java development system, and adopts a front-end and back-end separated architecture to realize user login and management, device management, permission control, data input, life analysis, and early warning.

　　Key words: Multi-scale convolutional neural network, Preprocessing, Remaining life prediction, Early warning system

目 錄

　　第1章 緒論

　　1.1 選題的背景和意義

　　近年來(lái)我國科技不斷進(jìn)步，工業(yè)水平不斷提高，數控機床的集成度也越來(lái)越好，生產(chǎn)制造的過(guò)程也更加趨于自動(dòng)化，但為了滿(mǎn)足工業(yè)生產(chǎn)的要求，機床設備需要不停的運作，然而設備長(cháng)時(shí)間工作定會(huì )造成損傷甚至故障。機械設備損壞后若無(wú)即時(shí)修理或者更替，將會(huì )引發(fā)整個(gè)機械設備系統的連鎖反應，輕則會(huì )使工程處于停滯的狀態(tài)，給數控企業(yè)帶來(lái)比較大的經(jīng)濟問(wèn)題，重則會(huì )使數控機床設備不再完整，甚至導致操作人員傷亡。因此對機械設備搭建預警系統，不但可以提前感知故障的發(fā)生，避免造成設備故障引發(fā)的一系列問(wèn)題，而且可以使機械設備變得更加智能。

　　滾動(dòng)軸承作為數控機床設備中最重要的零件之一，被稱(chēng)為"工業(yè)的關(guān)節"起到滾動(dòng)和傳導力以及負載的作用（王海龍，2019）。通常數控機床的機械設備比較龐大，設備的各個(gè)模塊都可用到軸承，因此每個(gè)軸承的運行壓力不盡相同，其壽命的時(shí)長(cháng)也比較離散，若按照出廠(chǎng)說(shuō)明定時(shí)定量的對一部分軸承進(jìn)行維修和更換，一方面會(huì )出現對大量健康軸承維護的現象，造成不必要的浪費，另一方面可能會(huì )出現一些損壞的軸承仍然在運轉的現象，造成數控系統癱瘓，出現經(jīng)濟損失。

　　因此更加人性化、智能化的軸承故障預警系統的設計與實(shí)現迫在眉睫，只有軸承故障預警系統可以及時(shí)監控每個(gè)軸承的運行狀態(tài)，模擬軸承的運行趨勢，提早感知軸承的剩余壽命，才能根據剩余壽命精準替換損壞邊緣的軸承，這無(wú)論是對機械設備的合理維護，還是提高機床工廠(chǎng)生產(chǎn)的安全性和經(jīng)濟性都具有非常重大的意義。因此越來(lái)越多的國家和地區的科研人員把軸承的損壞監測和智能預警作為研究課題。

　　目前，人工智能飛速發(fā)展，現階段運用人工智能等手段開(kāi)展了軸承的大量故障檢測和診斷的工作，該工作通常是對軸承出現故障后進(jìn)行故障原因分析和故障位置定位，其具有滯后性，然而對于超前預警的研究，國內外的成果不盡如人意，因此本文重點(diǎn)討論數控機床滾動(dòng)軸承故障預警技術(shù)。要想在軸承沒(méi)有出現故障的前提下，進(jìn)行提前預警，需要計算出軸承的剩余壽命（梁競之，2019），因此運用人工智能深度學(xué)習等手段對軸承的剩余壽命進(jìn)行預測是本文研究的主要內容。

　　在國家工業(yè)制造重大科研專(zhuān)項中多次設置了"重大產(chǎn)品和重大設備壽命與預測技術(shù)"的研究專(zhuān)題，對軸承剩余壽命預測進(jìn)行研究，不但相應了國家的號召，而且可對機械設備可能出現的故障進(jìn)行提前預警，為接下來(lái)的現代化維修提供保障。

　　綜上所述，通過(guò)多種手段預測滾動(dòng)軸承的剩余壽命，根據剩余壽命結果進(jìn)行預警，對軸承進(jìn)行相應的維護和保養，可保障數控機床可以長(cháng)時(shí)間健康運行。因此通過(guò)各種技術(shù)對軸承進(jìn)行故障預警，設計與實(shí)現相關(guān)系統是非常有意義的工作。

　　1.2 國內外相關(guān)領(lǐng)域的研究現狀

　　近年來(lái)越來(lái)越多的高校和科研機構學(xué)者開(kāi)展軸承預警技術(shù)的研究，通常來(lái)說(shuō)軸承預警主要需要經(jīng)過(guò)以下步驟：軸承信號監測、剩余壽命預測、故障分析以及維修策略。本章將介紹軸承信號檢測技術(shù)以及剩余壽命預測技術(shù)的研究現狀。

　　1.2.1 軸承信號監測技術(shù)

　　如今軸承的監測技術(shù)發(fā)展迅速，現有的國內外軸承監測系統通常使用不同的傳感器采集軸承運行時(shí)的振幅、轉速、溫度、相應部件的電流和電壓信息以及振動(dòng)加速度信號，通過(guò)對傳感器采集的信號進(jìn)行分析，模擬軸承的工作和退化狀態(tài)，來(lái)實(shí)現對軸承的健康管理和壽命預測。隨著(zhù)科技的不斷進(jìn)步以及工業(yè)智能制造自動(dòng)話(huà)的不斷進(jìn)步，信號采集技術(shù)也得到飛速發(fā)展。例如：國外西儲大學(xué)（2014）為了策略軸承振動(dòng)信號和軸承故障數據，使用了不同馬力的電機進(jìn)行試驗，并在靠近和遠離電機軸承的位置放置加速度計來(lái)獲取振動(dòng)信息；國內哈爾濱工業(yè)大學(xué)學(xué)者殷斌（2019）提出了一種基于集成聲表面波傳感器的滾動(dòng)軸承狀態(tài)監測系統，該系統通過(guò)將聲表面波器件集成于軸承端面，通過(guò)天線(xiàn)實(shí)現 SAW 傳感器信號的無(wú)線(xiàn)傳輸，為軸承狀態(tài)監測的一體化和智能化提供了新的思路；西安交通大學(xué)轉子軸承系統實(shí)驗室開(kāi)發(fā)了一種新型的滾動(dòng)軸承加速壽命臺（雷亞國，2019），該平臺由交流電動(dòng)機、電動(dòng)機轉速控制器、轉軸、支撐軸承、液壓加載系統和測試軸承等部件組成，可以獲取軸承全壽命周期的振動(dòng)、溫度數據。

　　1.2.2 剩余壽命預測技術(shù)

　　多年之前機床故障預警處于人工手動(dòng)狀態(tài)，通常需要技術(shù)工人觀(guān)察整個(gè)設備的運行狀態(tài)，根據經(jīng)驗分析部件的運作情況，依靠常識來(lái)進(jìn)行人為預警，但這樣耗時(shí)耗力，隨機性較高。而如今人工智能迅猛發(fā)展，預警技術(shù)不斷轉變，預警轉為依靠自動(dòng)化預測剩余壽命來(lái)進(jìn)行，因此剩余壽命預測技術(shù)成為故障預警的重中之重，只有準確的預測壽命，才能做到提前感知、提前預警。目前國內外研究表明，對軸承剩余壽命預測主要有 3 種方式：基于物理狀態(tài)模型的壽命預測方式、基于深度學(xué)習的壽命預測方式和基于機器學(xué)習的壽命預測方式。

　　（1） 基于物理狀態(tài)模型的剩余壽命預測技術(shù)

　　基于物理狀態(tài)模型的故障預測方法是通過(guò)獲得零部件準確的數學(xué)退化模型，通過(guò)信號的歷史數據來(lái)計算相關(guān)零件的運行狀態(tài)，建立以物理模型為基礎的剩余壽命預測方式，零件的剩余壽命和物理模型的參數緊密聯(lián)系，模型建立方式和模型的健壯性決定預測結果的準確率。目前王恒學(xué)者（2015）通過(guò)設備的退化指標訓練合適的灰度模型，通過(guò)灰度模型預測設備的退化趨勢進(jìn)而預測最終的剩余壽命；張文豪（2019）提出了一種基于歐式距離與灰色預測模型的機床主軸剩余壽命預測方法，該方法采用最大熵算法求出振動(dòng)信號的最大熵概率密度分布，再求出各個(gè)概率密度分布與初始概率密度分布之間的歐式距離，最后通過(guò)給定的閾值和歐式距離來(lái)訓練灰度模型，從而預測出其達到給定閾值時(shí)所需要的時(shí)間，也即是主軸剩余使用壽命。

　　（2） 基于機器學(xué)習的剩余壽命預測方式

　　機器學(xué)習作為一種涉及多種科學(xué)的交叉學(xué)科，自誕生以來(lái)就應用于多種領(lǐng)域，而如今越來(lái)越多的學(xué)者采用機器學(xué)習的方式對軸承的剩余壽命進(jìn)行預測，其中劉波、劉才學(xué)（2019）采用連續型 HMM 和 PSO-SVM 等機器學(xué)習技術(shù)對軸承剩余壽命進(jìn)行預測，首先對軸承的全壽命周期的振動(dòng)信號提取統計特征，然后通過(guò)連續的隱馬爾可夫模型將軸承的全壽命周期分開(kāi)，然后分別統計不同時(shí)間段的軸承信號的特征，最后通過(guò) PSO-SVM 對多個(gè)特征進(jìn)行訓練并預測最終結果，該方式取得了比較好的效果；雷亞國（2019）等學(xué)者通過(guò)采用粒子濾波的方式預測軸承的剩余壽命，其中模型的輸入特征從原始數據中提取，并經(jīng)過(guò)了特征融合的操作；馬海龍（2019）對采集的振動(dòng)加速度信號提取峰值、小波熵等特征，并通過(guò) PCA降維融合后進(jìn)行 SVM 模型預測，最終得到軸承的剩余壽命。

　　（3） 基于深度學(xué)習的軸承剩余壽命預測方式

　　如今計算機硬件資源越來(lái)越豐富，數據樣本越來(lái)越多，因此深度學(xué)習的應用越來(lái)越廣泛，而如今越來(lái)越多的國內外學(xué)者采用深度學(xué)習的方式來(lái)進(jìn)行剩余壽命預測。例如邱曉梅（2019）等人對采集的原始振動(dòng)加速度信號進(jìn)行處理，提取統 計特征，對特征求相關(guān)系數，進(jìn)行特征簡(jiǎn)約后利用 BP 神經(jīng)網(wǎng)絡(luò )來(lái)進(jìn)行壽命預測。

　　1.3 研究?jì)热莺徒M織結構

　　本文以數控機床滾動(dòng)軸承故障預警為目標，利用硬件獲取軸承的全壽命周期的振動(dòng)信號，基于深度學(xué)習等方式來(lái)進(jìn)行剩余壽命預測，最后通過(guò)對軸承提出相應的維修策略，以達到工業(yè)生產(chǎn)中自動(dòng)化智能預警的作用，為了得到更好的人機交互性，本文利用網(wǎng)頁(yè)設計的思路對系統進(jìn)行了設計與實(shí)現，滿(mǎn)足了系統操作簡(jiǎn)單、容易上手的要求。本文的主要內容如下：

　　第一章介紹了課題的相關(guān)背景以及研究的意義，闡述了國內外軸承信號檢測技術(shù)以及軸承剩余壽命預測技術(shù)的發(fā)展狀況，最后介紹了本文組織結構。

　　第二章介紹了軸承的退化機理和剩余壽命。從滾動(dòng)軸承的具體結構入手，比較了軸承的退化類(lèi)型，同時(shí)給出了軸承振動(dòng)產(chǎn)生的原因，詳細分析了軸承振動(dòng)的頻率，得出了振動(dòng)信號可用于預測壽命的結論，最后通過(guò)結合軸承性能退化的規律，給出了剩余壽命預測的定義和剩余壽命對于故障預警的重要性。

　　第三章介紹了傳統的卷積神經(jīng)網(wǎng)絡(luò )。首先對比了支持向量回歸、循環(huán)神經(jīng)網(wǎng)絡(luò )和卷積神經(jīng)網(wǎng)絡(luò )之間的區別，分析卷積神經(jīng)網(wǎng)絡(luò )模型在故障預警中的優(yōu)勢，詳細介紹傳統卷積神經(jīng)網(wǎng)絡(luò )模型的卷積操作、池化操作和激活操作，以及模型的訓練方式和防止過(guò)擬合的技術(shù)，為介紹下一章多尺度卷積神經(jīng)網(wǎng)絡(luò )做鋪墊。

　　第四章是本文的核心內容，介紹了信號預處理方式以及多尺度卷積神經(jīng)網(wǎng)絡(luò )模型。首先在自編碼器的基礎上提出了降噪自編碼器，分析降噪自編碼器應用于信號預處理中的優(yōu)勢，接著(zhù)提出了具有創(chuàng )新的多尺度卷積神經(jīng)網(wǎng)絡(luò )模型，詳細介紹該模型中的淺層特征提取模塊、深層特征提取模塊、數據融合模塊，并針對預測壽命的問(wèn)題給出了一種更好的損失函數，最后通過(guò)實(shí)驗對多尺度卷積神經(jīng)網(wǎng)絡(luò )模型進(jìn)行驗證。

　　第五章介紹了軸承故障預警系統的設計與實(shí)現方式。給出了該系統的總體規劃，根據規劃的要求給出了硬件使用方式并設計了軟件程序，事實(shí)證明該系統可針對軸承的具體情況給出相應的預警措施，可提高工作人員的工作效率。

　　1.4 本章小結

　　本章主要介紹了軸承故障預警的意義，以及剩余壽命預測在軸承預警中的重要作用，同時(shí)介紹了機器學(xué)習和深度學(xué)習神經(jīng)網(wǎng)絡(luò )等相關(guān)概念，總結了目前國內外軸承信號檢測技術(shù)和軸承剩余壽命預測技術(shù)的研究成果以及發(fā)展前景，明確了 本文的研究的目標和方向，最后，提出了本文的研究?jì)热莺徒鉀Q的主要問(wèn)題。

　　第 2 章 軸承退化機理和剩余壽命介紹
　　2.1 引言
　　2.2 滾動(dòng)軸承結構
　　2.3 滾動(dòng)軸承退化類(lèi)型
　　2.4 滾動(dòng)軸承的振動(dòng)分析
　　2.4.1 滾動(dòng)軸承振動(dòng)原因
　　2.4.2 滾動(dòng)軸承振動(dòng)頻率分析
　　2.5 滾動(dòng)軸承剩余壽命介紹
　　2.5.1 滾動(dòng)軸承故障率變化規律
　　2.5.2 滾動(dòng)軸承剩余壽命預測定義
　　2.7 本章小結

　　第 3 章 卷積神經(jīng)網(wǎng)絡(luò )
　　3.1 引言
　　3.2 模型對比
　　3.2 傳統卷積神經(jīng)網(wǎng)絡(luò )結構
　　3.2.1 卷積層
　　3.2.2 激活層
　　3.2.3 池化層
　　3.2.4 全連接層
　　3.3 防止過(guò)擬合技術(shù)
　　3.3.1 正則化技術(shù)
　　3.3.2 Dropout 技術(shù)
　　3.4 本章小結

　　第 4 章 基于多尺度卷積神經(jīng)網(wǎng)絡(luò )的軸承剩余壽命研究
　　4.1 引言
　　4.2 信號預處理
　　4.3 多尺度卷積神經(jīng)網(wǎng)絡(luò )模型
　　4.3.1 模型結構
　　4.3.2 淺層特征提取模塊
　　4.3.3 深層特征提取模塊
　　4.3.4 數據融合模塊
　　4.3.4 損失函數

　　4.4 軸承剩余壽命預測流程
　　4.5 實(shí)驗與結果分析
　　4.5.1 實(shí)驗數據來(lái)源
　　4.5.2 實(shí)驗結果
　　4.5.3 結果對比分析
　　4.6 本章小結

　　第 5 章 軸承故障預警系統的設計與實(shí)現
　　5.1 引言
　　5.2 系統的總體規劃
　　5.3 系統軟硬件設計
　　5.3.1 硬件設計
　　5.3.2 軟件程序設計
　　5.4 本章小結

第6章 總結與展望

　　6.1 工作總結

　　本文對數控機床中核心部件滾動(dòng)軸承的故障預警技術(shù)進(jìn)行了研究，并設計與實(shí)現了故障預警系統。為了增加故障預警系統的智能性和完備性，本文從滾動(dòng)軸承剩余壽命預測入手，分析了傳統機器學(xué)習和深度學(xué)習的區別和優(yōu)缺點(diǎn)，提出了多尺度卷積神經(jīng)網(wǎng)絡(luò )模型，通過(guò)該網(wǎng)絡(luò )模型可準確預測軸承剩余壽命，根據壽命結果提出可行的預警和維護措施，同時(shí)分析了多種軟硬件操作方式，搭建了比較適合該系統的軟件平臺和硬件設施，使得工作人員操作該系統更加方便快捷。其中具體工作如下：

　　（1） 研究了滾動(dòng)軸承退化的原因和退化的類(lèi)型，介紹軸承振動(dòng)產(chǎn)生的原因，通過(guò)對軸承的振動(dòng)頻率進(jìn)行分析，得出了振動(dòng)信號可用于預測壽命的結論。對軸承的剩余壽命進(jìn)行介紹，定義本文中剩余壽命的概念。

　　（2） 研究了傳統卷積神經(jīng)網(wǎng)絡(luò )的優(yōu)勢，介紹該網(wǎng)絡(luò )的具體細節，提出了降低過(guò)擬合的一些技術(shù)。

　　（3） 針對滾動(dòng)軸承剩余壽命難預測的情況，在分析了軸承原始信號特征提取困難的基礎上，提出了降噪自編碼器信號預處理以及基于多尺度卷積神經(jīng)網(wǎng)絡(luò )的軸承剩余壽命預測方式，具體介紹了多尺度卷積網(wǎng)絡(luò )模型的淺層特征提取模塊、深層特征提取模塊、數據融合模塊以及更有優(yōu)勢的新型損失函數；最后通過(guò)實(shí)驗驗證了該模型的優(yōu)越性。

　　（4） 研究了軸承故障預警系統的總體規劃，把剩余壽命預測和預警技術(shù)緊密的聯(lián)系在一起，分析了該系統的硬件資源，介紹了 LIS3DSH 加速度計以及InfluxDB 數據庫，通過(guò)系統底層軟件的多尺度卷積神經(jīng)網(wǎng)絡(luò )模型對軸承剩余壽命進(jìn)行預測，并通過(guò)前端頁(yè)面進(jìn)行顯示，給出合適的預警措施。

　　6.2 展望

　　隨著(zhù)工業(yè)自動(dòng)化水平不斷提高，數控機床在工作過(guò)程中極易損壞，而軸承在機床上的應用廣泛，保障軸承處于健康狀態(tài)十分重要。本文針對上述問(wèn)題，重點(diǎn)研究了多尺度卷積神經(jīng)網(wǎng)絡(luò )模型在軸承剩余壽命預測中的應用，設計與實(shí)現了軸承故障預警系統，但由于本人目前時(shí)間和軟硬件資源的限制，本文設計到的一些內容還需要改進(jìn)和進(jìn)一步的研究：

　　（1） 對軸承原始振動(dòng)信號進(jìn)行信號處理，需要進(jìn)一步研究更加方便、可提取更多有用信息的預處理方式。

　　（2） 隨著(zhù)神經(jīng)網(wǎng)絡(luò )技術(shù)的不斷發(fā)展，在本文提出的多尺度卷積神經(jīng)網(wǎng)絡(luò )模型的基礎上，可進(jìn)一步的研究新型的深度學(xué)習模型，可使用多種網(wǎng)絡(luò )模型相融合的方式，提高剩余壽命預測的精度以及模型的魯棒性

（3） 本文的預處理方式和壽命預測模型都是基于深度學(xué)習理論提出的，而這種模型對輸入數據的規模比較敏感，因此應該采集更多的軸承運行信號，擴充模型訓練的數據集，提高模型預測的精度。

　　（4） 故障預警系統需要軟件和硬件的支撐，可進(jìn)一步提高系統的硬件資源，使用更加豐富的傳感器采集軸承信號，增加顯卡使用 GPU 來(lái)提高模型的運行速度，選取性能更加充沛的服務(wù)器對該系統提供更好的支持。

　　對預警系統功能進(jìn)行擴展，增加故障診斷功能，形成更加完備的軸承健康管理系統。

　　參考文獻
　　王海龍。 數控機床滾動(dòng)軸承健康狀況監測系統設計與實(shí)現[D].中國科學(xué)院大學(xué)（中國科學(xué)院
　　沈陽(yáng)計算技術(shù)研究所），2019.
　　梁競之。 滾動(dòng)軸承的故障監測與狀態(tài)管理系統研究[D].哈爾濱工業(yè)大學(xué)，2019.
　　殷斌。 基于集成聲表面波傳感器的滾動(dòng)軸承狀態(tài)監測系統研制[D].哈爾濱工業(yè)大學(xué)，2019.
　　雷亞國，韓天宇，王彪，等。 XJTU-SY 滾動(dòng)軸承加速壽命試驗數據集解讀[J].機械工程學(xué)報，2019,55（16）：1-6.
　　王恒，馬海波，徐海黎，等。基于 K-S 檢驗和動(dòng)態(tài)灰色模型的機械設備剩余壽命預測方法[J].
　　儀表技術(shù)與傳感器，2015（01）：97-100.
　　張文豪，施展。 基于歐式距離與灰色預測模型的機床主軸剩余壽命研究[J].制造業(yè)自動(dòng)化，2019,41（03）：93-96.
　　劉波，寧芊，劉才學(xué)，等。 基于連續型 HMM 和 PSO-SVM 的滾動(dòng)軸承剩余壽命預測[J].計算
　　機應用，2019,39（S1）：31-35.
　　雷亞國，楊彬，杜兆鈞，等。大數據下機械裝備故障的深度遷移診斷方法[J].機械工程學(xué)報，2019,55（07）：1-8.
　　馬海龍。 基于主元特征融合和 SVM 的軸承剩余壽命預測[J].工礦自動(dòng)化，2019,45（08）：74-78.
　　邱曉梅。 滾動(dòng)軸承的故障診斷與剩余壽命預測方法研究[D].山東理工大學(xué)，2019.
　　劉小勇。 基于深度學(xué)習的機械設備退化狀態(tài)建模及剩余壽命預測研究[D].哈爾濱工業(yè)大學(xué)，2018.
　　周裕華。 滾動(dòng)軸承的性能退化評估與剩余使用壽命預測方法的研究[D].華南理工大學(xué)，2018.
　　任利娟。 滾動(dòng)軸承性能退化評估與剩余壽命預測[D].山東大學(xué)，2019.
　　楊珊。 基于神經(jīng)網(wǎng)絡(luò )和 Clark 變換的電機故障診斷的研究[D].中國石油大學(xué)（華東），2013.
　　劉恩龍。 基于 WPHM 模型的滾動(dòng)軸承壽命預測方法研究[D].大連理工大學(xué)，2014.
　　姜姍。 電機智能軸承在線(xiàn)監測系統及故障預警技術(shù)研究[D].哈爾濱理工大學(xué)，2019.
　　蘇冠華。 基于深度學(xué)習的滾動(dòng)軸承智能故障診斷方法研究[D].燕山大學(xué)，2019.
　　石慧。 機械系統的剩余壽命預測及預防性維修決策研究[D].太原科技大學(xué)，2015.
　　李新葉，龍慎鵬，朱婧。 基于深度神經(jīng)網(wǎng)絡(luò )的少樣本學(xué)習綜述[J].計算機應用研究，2020,1（8）：30-100.
　　陳學(xué)軍，楊永明。 基于經(jīng)驗小波變換的振動(dòng)信號分析[J].太陽(yáng)能學(xué)報，2017,38（02）：339-346.
　　朱曉潔。 基于稀疏性非負矩陣分解的滾動(dòng)軸承復合故障診斷[J].中國工程機械學(xué)報，2018,16（06）：553-558.
　　李心一，謝志江，羅久飛。 加窗插值快速傅里葉變換在滾動(dòng)軸承故障診斷中的應用[J].中國機
　　械工程，2018,29（10）：1166-1172.
　　李少鵬。 結合 CNN 和 LSTM 的滾動(dòng)軸承剩余使用壽命預測方法研究[D].哈爾濱理工大學(xué)，2019.
　　張?chǎng)巍?機械維修過(guò)程中軸承維修方式探析[J].中國設備工程，2019,（08）：48-49.
　　朱莉，王魏。 新型 MEMS 三軸加速度計 LIS3LV02DL 原理與應用[J].東北林業(yè)大學(xué)學(xué)報，2006,（04）：103-105.
　　夏瑜潞。 人工神經(jīng)網(wǎng)絡(luò )的發(fā)展綜述[J].電腦知識與技術(shù)，2019,15（20）：227-229.
　　何彪。 基于振動(dòng)信號的滾動(dòng)軸承早期故障診斷方法研究[D].西南交通大學(xué)，2019.
　　Guangxian Ni, Jinhai Chen, Heng Wang. Degradation assessment of rolling bearing towards safety based on random matrix single ring machine learning[J]. Safety Science, 2019, 118.
　　Kalchbrenner N, Grefenstette E, Blunsom P. A Convolutional Neural Network for Modelling Sentences[J]. Eprint Arxiv, 2014, 1.
　　Ji-Yuan Wang, Eung-Joo Lee. Low Resolution Rate Face Recognition Based on Multi-scale CNN. 2018, 21（12）： 1467-1472.
　　Xin Lai, Le Zhou, Zeyu Fu, et al. Enhanced pooling method for convolutional neural networks based on optimal search theory. 2019, 13（12）： 2152-2161.
　　Danchen Zhu, Yongxiang Zhang, Qunwei Zhu. Fault feature extraction for rolling element bearings based on multi-scale morphological filter and frequency-weighted energy operator. 2018, 20（8）：2892-2907.
　　Fan Xu,Zhelin Huang,Fangfang Yang,Dong Wang,Kwok Leung Tsui. Constructing a health indicator for roller bearings by using a stacked auto-encoder with an exponential function to eliminate concussion[J]. Applied Soft Computing Journal, 2020, 89.He K, Zhang X, Ren S,et al. Deep Residual Learning for Image Recognition[J]. 2015: 770-778.
　　Soualhi A, Medjaher K, Zerouni N. Bearing health monitoring based on Hibert-Huuang transform,support vector machine,and regression. IEEE TransInstruum Mears 2015; 64（1）： 52-62

致 謝

　　時(shí)光荏苒，歲月翩躚，三年的研究生生活即將結束。回顧這三年以來(lái)的點(diǎn)點(diǎn)滴滴，有不舍、有懷念、有喜悅、有悲傷，各種情感交織在一起，有如一幀幀電影畫(huà)面般定格在我的腦海中。三年來(lái)少了許多本科時(shí)的懵懂無(wú)知，多了一些歷經(jīng)歲月洗禮后的成熟與穩重。也更加明白了在這漫漫的科研道路上，需要的是除卻年少時(shí)的浮躁，靜下心來(lái)，低頭耕耘，才能在科研道路上走的更穩、更遠。

　　在此我最先感謝的是我的導師孫維堂老師，感謝孫老師在這三年來(lái)所給予我的關(guān)懷和指導。孫老師淵博的學(xué)識、嚴謹細致的科研態(tài)度以及平易近人的作風(fēng)都讓我受益匪淺，使我在學(xué)術(shù)方面不斷求索，日益進(jìn)步。同時(shí)，我也要感謝韓衛光老師，韓老師不管是在學(xué)習上還是在生活上都給了我極大的幫助和影響。在這三年來(lái)，從選擇課題到論文撰寫(xiě)以及論文評閱這漫長(cháng)的過(guò)程中都包含了他們無(wú)數的心血。感謝韓老師和孫老師，謹在此祝老師們科研順利，身體健康，桃李滿(mǎn)天下。

　　其次還要感謝研究生部的丁老師、王老師以及其他所有曾給予過(guò)我幫助的老師。在你們的幫助下，才使我順利的完成了整個(gè)學(xué)業(yè)；在你們的陪伴下，才使我成長(cháng)為更好的人。

　　當然，還要感謝實(shí)驗室的甘師兄、王師兄們以及我身邊的同學(xué)朋友們，三年以來(lái)與你們相處的點(diǎn)點(diǎn)滴滴，回想起來(lái)，仿若還是昨天。感謝你們在我最無(wú)助的時(shí)候給我加油打氣，在我最迷茫的時(shí)候幫我撥開(kāi)迷霧，在我對未來(lái)最憧憬的時(shí)候給予我最真摯的祝福。于我而言，你們似兄長(cháng)，更是摯友，是我這三年來(lái)最寶貴的財富。萬(wàn)語(yǔ)千言，總抵不過(guò)這三年的陪伴。在這即將離別之際，我祝你們一路繁花似錦，平安喜樂(lè )。

　　另外，我要感謝我的父母，感謝你們從未缺席過(guò)我成長(cháng)道路中所抵達的每一處小小終點(diǎn)，在這短短的二十幾年路途中，無(wú)論晴雨，你們一直都在，你們是我最堅強的后盾和最有力的支撐。你們辛苦了！感謝你們所給予我的全部的無(wú)私的愛(ài)！

　　最后，感謝各位評審老師對我論文的認真審閱并提出寶貴的意見(jiàn)，讓我可以正視自己的不足并得以改正。希望自己在以后的工作和生活中能夠堅守初心，腳踏實(shí)地，砥礪前行，漸入佳境。

（如您需要查看本篇畢業(yè)設計全文，請您聯(lián)系客服索取）