智能轴承故障检测：深度学习模型评估与嵌入式系统部署

《IEEE Latin America Transactions》：Intelligent Bearing Fault Detection: Deep Learning Model Assessment and Embedded System Deployment

　　

摘要：

轴承是许多工业设备中不可或缺的部件；然而，它们的故障会大大降低系统的效率和运行可靠性。在这种情况下，基于人工智能的预测性维护是一种通过振动分析来识别和分类轴承故障的有效方法。本研究通过使用加速度计和受控测试平台，记录了直流电机在各种故障条件（无润滑的轴承、缺少一个滚珠的轴承以及缺少两个滚珠的轴承）以及正常运行状态（无故障的轴承）下的振动信号，从而创建了一个自定义数据集。随后，训练并评估了四种神经网络模型：多层感知器（MLP）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和Transformer，评估指标包括准确率、召回率和F1分数。其中，CNN模型的表现最佳，在验证数据集上的准确率达到99.95%。该模型被部署在ESP32平台上，在实时测试中的准确率为94.2%。这些结果表明，基于人工智能的故障检测系统可以在资源有限的平台上有效运行，为预测性维护和教育工作提供了有前景的解决方案，有助于提升STEM技能。