来源：期刊VIP网 时间：
作者：张晋恺;马洁;
单位：北京信息科技大学机电工程学院;
摘要：为解决含有性能退化以及故障的全寿命滚动轴承的无监督故障检测与故障预测的问题，提出一种基于深度学习的轴承故障检测与预测方法。首先将滚动轴承振动信号划分为不同阶段，利用Wasserstein生成对抗网络-梯度惩罚（WGAN-GP）来计算振动信号的监测统计量，并建立控制限对振动信号进行故障检测；再通过小波包阈值降噪-逐次变分模态分解（WPTD-SVMD）对非正常部分的滚动轴承振动信号进行降噪处理，使用卷积双向长短期记忆（CNN-BiLSTM）神经网络对预处理后信号的故障退化趋势进行预测；最后使用NASA全寿命轴承数据集验证该方法的有效性。实验结果证明，所提方法能在故障检测部分十分准确地区分正常与故障数据，在故障预测部分能保留故障特征的有效信息并消除噪声的影响，对故障幅值趋势有着较为精准的预测。
关键词：滚动轴承;;生成对抗网络;;卷积双向长短期记忆网络;;故障检测;;故障预测;;深度学习
基金资助：国家重点研发计划子课题（2019YFB1705403）;; 国家自然科学基金面上项目（61973041）
