内燃机与配件www.nrjpj.cn基于特征提取的航空发动机滚动轴承故障诊断周卓峰,刘伟,喻鸣(航空工业西安航空计算技术研究所,陕西西安710065)摘要:航空发动机振动信号复杂,数据量大,其机械系统滚动轴承故障诊断困难重重。在振动信号处理及故障检测领域,利用机器学习强大的自主学习能力在旋转机械故障的诊断方面得到了越来越多的应用。本文提出一种基于特征提取的滚动轴承故障诊断方法,通过特征提取获得更全面数据信息,再将深度信念网络模型用于信号识别,全方位反映航空发动机滚动轴承的运行状态。经实验验证,DBN模型在噪声环境下的平均准确率可达99%以上,具有较强的抗噪能力。关键词:旋转机械;滚动轴承;故障诊断;机器学习;特征提取;深度信念网络中图分类号:V23文献标识码:A文章编号:1674-957X(2023)08-0043-03FaultDiagnosisofAero-engineRollingBearingBasedonFeatureExtractionZhouZhuo-feng,LiuWei,YuMing(AVICXi’anAeronauticComputingTechniqueResearchInstitute,Xi’an710065,China)Abstract:Thevibrationsignalsofaeroenginearecomplexandthedataislarge,sothefaultdiagnosisofme-chanicalsystemrollingbearingisdifficult.Inthefieldofvibrationsignalprocessingandfaultdetection,thestrongself-learningabilityofmachinelearninghasbeenappliedmoreandmoreinthediagnosisofrotatingma-chineryfaults.Inthispaper,afaultdiagnosismethodofrollingbearingsbasedonfeatureextractionwaspro-posed.Morecomprehensivedatainformationwasobtainedthroughfeatureextraction,andthenthedeepbeliefnetworkmodelwasusedforsignalrecognitiontofullyreflecttherunningstateofaero-enginerollingbearings.TheexperimentalresultsshowthattheaverageaccuracyofDBNmodelinnoisyenvironmentcanreachmorethan99%,andithasstronganti-noiseability.Keywords:Rotatingmachinery;Rollingbearing;Faultdiagnosis;Machinelearning;Featureextraction;DBN作者简介:周卓峰(1996—),男,陕西咸阳人,汉族,硕士研究生,硬件工程师,助理工程师,研究方向为硬件设计、航空发动机、计算机。1引言旋转机器是以旋转运动为主的机械装置,在交通、制造、冶金、化工、能源及航天等多个领域中有广泛应用[1,2]。滚动轴承故障是大部分机械装置故障的主要原因。随着先进制造技术的快速发展、以人工智能技术为代表的计算机技术的迅速崛起,国内在轴承故障智能诊断领域的研究,尤其是以数字...