关键词：轴承、故障诊断、预测性维护

摘要：
传统振动分析难以捕捉轴承早期微弱故障。本文解析声发射（AE）、电流信号、热成像与机器学习在故障诊断中的应用，结合多传感器数据融合与迁移学习技术，实现轴承剩余使用寿命（RUL）预测误差<5%。

核心内容：

• 多物理场信号采集：

• 声发射监测：采用谐振式传感器（中心频率150kHz），捕捉微裂纹扩展产生的高频信号（100-300kHz），灵敏度达-65dB；

• 电机电流分析（MCSA）：通过FFT提取定子电流谐波（2倍转差频率），检测内圈故障的信噪比提升20dB；

• 红外热成像：使用非制冷氧化钒探测器（NETD<20mK），识别局部过热区域（温差>2℃），定位精度达0.5mm。

• 特征提取与降维：

• 时频分析：结合小波包变换（WPT）与同步压缩变换（SST），提取故障特征频率（BPFI、BPFO）的时频脊线；

• 熵值特征：计算排列熵（PE）、样本熵（SampEn）等12维非线性特征，区分正常与故障状态的AUC值达0.98；

• 流形学习：采用t-SNE算法将128维振动信号降至3维，可视化故障演化路径，早期故障识别率提升至95%。

• 深度学习模型：

• 一维卷积神经网络（1D-CNN）：直接处理原始振动信号，在CWRU轴承数据集上准确率达99.2%，较SVM提升15%；

• 长短期记忆网络（LSTM）：融合多传感器时序数据，预测RUL的RMSE值降低至2.3%，较ARIMA模型提高40%；

• 迁移学习框架：基于ResNet-18预训练模型，在少量目标域数据（10%标签）下实现跨工况故障诊断，准确率>90%。

• 工业部署案例：

• 风电齿轮箱轴承：部署无线传感器网络（WSN），实现100台风电机组的实时监测，误报率<0.5%，维护成本降低35%；

• 高铁轴箱轴承：采用边缘计算网关，在10ms内完成故障诊断并触发制动，避免2起脱轨事故。