基于深度学习的ASTM C93900青铜滑动轴承轴套振动状态分类

《IEEE Open Journal of Instrumentation and Measurement》：Vibration-Based Condition Classification of ASTM C93900 Bronze Plain-Bearing Bushings Using Deep Learning

　　

摘要：滑动轴承轴套是旋转机械中的关键部件，直接影响可靠性、效率与维护成本。尽管基于振动的状态监测已广泛用于滚动轴承，但针对滑动轴套在真实故障条件下开展的实验研究仍然有限。本工作提出了一种集成实验与深度学习框架，用于对ASTM C93900青铜滑动轴承轴套进行基于振动的状态分类。研究搭建了实验测试台，以模拟真实运行条件，并在三种工况下采集振动信号：正常状态、间隙变化和几何偏心。数据通过低成本MEMS加速度计采集，并经过信号分割、MinMax归一化以及紧凑的8×8灰度矩阵表示，用于卷积神经网络（CNN）分类。该框架在多种故障组合和轴承位置下进行了评估，并与基线稠密神经网络（DNN）模型进行了比较。结果表明，在所有评估场景中分类准确率均高于90%，证明了CNN能够识别与不同故障状态相关的细微振动模式。此外，紧凑的信号表示在保留相关诊断信息的同时降低了计算复杂度。所提出的方法展示了将摩擦学实验、振动监测和人工智能（AI）技术相结合用于预测性维护应用的潜力，并为未来涉及滑动轴套的研究提供了实验数据集。

**基于深度学习的ASTM C93900青铜滑动轴承轴套振动状态分类研究解读**

**一、研究背景与问题**

在现代工业环境中，旋转机械的可靠性、安全性和效率在很大程度上取决于其支承部件（尤其是轴承和轴套）的性能。滑动轴承轴套在电机、涡轮机和传动装置等系统中起着减小摩擦、支承机械载荷和保证轴系稳定运行的关键作用，其摩擦学行为直接影响设备寿命、能源效率和维护成本。青铜基合金因其高耐磨性、耐腐蚀性和承载能力而被广泛用于变润滑条件下的旋转轴应用。然而，这类部件的失效可能导致振动水平增加、效率损失和意外停机等严重后果，因此可靠的状态监测技术至关重要。振动分析传统上作为一种非侵入式诊断方法被广泛采用，基于快速傅里叶变换（FFT）的频谱分析技术能够通过频域特征识别异常运行状态。然而，这些常规方法往往依赖专家解读，在处理复杂系统或故障特征差异细微的情况（如滑动轴承应用中常见的故障）时可能存在局限性。近年来，人工智能（AI）和机器学习技术，特别是卷积神经网络（CNN），在机械系统状态监测和故障诊断中展现出强大的自动特征提取和高精度分类能力。然而，现有研究大多集中于滚动轴承或依赖模拟和公开数据集，针对在真实摩擦学故障条件下运行的滑动轴承轴套（尤其是工业旋转机械中使用的青铜合金）的实验研究仍相对匮乏。此外，由于间隙变化和几何偏心等故障机制产生的振动信号极为相似，尤其是在稳态运行条件下，区分这些故障仍然是一项具有挑战性的任务。这些局限性降低了传统诊断方法的有效性，凸显了对经过实验验证的数据集和能够识别滑动轴承系统中细微故障相关模式的稳健分类方法的需求。

**二、研究内容与结论**

针对上述问题，研究人员提出了一种集成实验与计算的方法，用于对ASTM C93900青铜滑动轴承轴套进行基于振动的状态分类。他们开发了一个实验测试台，以模拟真实运行条件，采集了三种配置（正常、间隙和偏心）轴套的振动信号。采集的数据经过信号分割和归一化处理后，通过CNN框架进行特征映射和分类。实验结果表明，在不同故障组合和轴承位置下，CNN分类准确率均超过90%，优于基于相同展平输入表示的基线稠密神经网络（DNN）模型。这一成果证明了CNN能够从紧凑的8×8灰度矩阵表示中提取细微的判别性局部模式，而这些模式通过传统视觉检查难以识别。同时，紧凑的表示策略降低了计算复杂度和内存需求，使其适用于基于MEMS加速度计和边缘AI的嵌入式低成本预测性维护系统。该方法的集成实验摩擦学分析、振动监测和深度学习技术为旋转机械智能诊断方法的发展做出了贡献。论文发表于《IEEE Open Journal of Instrumentation and Measurement》。

**三、主要关键技术方法**

研究人员开发了专用的实验测试台，包含齿轮电机、AISI 1020钢轴、两个轴承座和齿形链传动系统。采用ADXL345三轴MEMS加速度计（通过I2C协议与ESP32S3微控制器通信）采集振动信号，采样率约442.34 Hz。利用电火花加工制造正常、间隙和偏心三种ASTM C93900青铜轴套，定义了七种测试场景。信号经过非重叠窗口分割、MinMax归一化后重构为8×8灰度矩阵，输入由两个卷积块（16和32个3×3滤波器，ReLU激活，2×2最大池化，批归一化）、64神经元全连接层和Softmax输出层组成的CNN。使用Adam优化器（学习率0.001）和分类交叉熵损失训练50轮，并与展平输入的DNN基线比较。数据集已通过Zenodo开放获取。

**四、研究结果**

**A. Test 1–两个正常轴套**
在时间域和频域分析中，左右轴承振动水平相似，但靠近传动链的轴承表现出更高的振幅峰值和更明显的周期性，表明传动系统的机械激励影响更强。频域中主导频谱分量集中在相似频带，证实正常状态下的机械对称性，为后续故障比较建立稳定基线。

**B. Test 2–两个间隙轴套**
间隙轴套产生的振幅分布极端峰值较少，振动响应更平滑，归因于间隙减少了轴与轴承表面的持续接触。频域响应分布更分散，主导峰值集中度降低，表明存在间歇性接触，传统的FFT视觉检查难以稳定区分该故障。

**C. Test 3–两个偏心轴套**
两个测点的振动信号轮廓相似，未显示明显的振幅差异。在整个采集期间观察到系统响应逐渐稳定，表明偏心几何导致机械应力逐渐重新分布，轴与接触表面之间发生渐进适应，减少了瞬态振动事件。

**D. Test 4–轴承1偏心轴套|轴承2正常轴套**
偏心轴套初始振动水平较低，但随着时间推移出现渐进稳定过程，振幅和摩擦相互作用逐渐增加。在主导频带内，故障组件的频域响应与正常轴套相似，支持偏心轴套在运行中渐进稳定和对齐的假设。

**E. Test 5–轴承2偏心轴套|轴承1正常轴套**
与之前测试相比，振动行为发生反转：偏心轴套表现出更大的整体稳定性，而正常轴套在达到稳态前振幅先增加。更换轴套位置导致系统主导频率成分从50-100 Hz范围移向与Test 3（两个偏心轴套）相似的频带，强调了几何偏心的影响。

**F. Test 6–轴承1间隙轴套|轴承2正常轴套**
间隙轴套即使安装在最靠近传动链的轴承中，也未对系统振动响应产生显著激励，仅造成微小变化。FFT分析中主导频率范围保持在50-100 Hz，反映间隙轴套对系统动力学的影响弱于偏心轴套。

**G. Test 7–轴承2间隙轴套|轴承1正常轴套**
两个数据集之间未观察到显著差异，表明在该工况下两个轴承位置的动态行为相似。主导频率分量保持在预期范围内，观察到的频谱多样性主要与间隙轴套相关。

**H-I. 机器学习场景1和2（分别使用左/右侧轴承数据，Tests 1-3）**
使用CNN训练后，所有评估指标均高于90%，而DNN基线准确率分别为75.05%和77.85%。CNN的优越性能表明，空间特征提取对于紧凑振动表示至关重要。

**J-K. 机器学习场景3和4（分别使用Tests 4-5和Tests 6-7数据）**
在四类分类任务中，仅一个类别准确率低于90%，但仍高于85%。DNN基线准确率分别为80.57%和73.67%。场景4中模型收敛时间显著增加，原因是四个数据集之间高度相似，但模型未出现精度下降，学习行为稳定。

**五、总结与结论翻译**

在讨论部分，研究人员指出，尽管评估场景在受控实验室条件下获得，所提出的方法在振动信号高度相似且频谱可分性低的情况下仍表现出一致的分类能力，表明该紧凑CNN框架在嵌入式预测性维护系统中具有应用潜力。同时，他们承认了局限性：数据集来自单一实验室规模测试台，可能限制向工业环境的直接泛化；未与传统振动特征提取方法（如FFT描述符、小波变换或时频图）进行实验比较，因此证明了该表示的可行性，但未确立其优越性。

研究结论翻译如下：在时域和频域进行的振动分析表明，不同的轴套配置在旋转系统的动态响应中产生了可测量的变化，即使在振动信号表现出强相似性的场景中也是如此。实验结果证实，间隙变化和几何偏心同时影响采集信号的振幅分布和频谱特性，强化了在受控摩擦学条件下对滑动轴承轴套进行振动监测的可行性。所提出的深度学习框架在所有评估场景中均表现出高分类能力。通过采用从分割振动信号导出的紧凑8×8灰度表示，CNN实现了高于90%的分类准确率，优于基于展平特征向量的基线DNN配置。这些结果表明，卷积架构能够提取与细微故障相关振动特征相关的判别性局部模式，而这些特征通过传统视觉检查难以识别。本工作的重要贡献是开发了一个实验采集的振动数据集，涉及ASTM C93900青铜滑动轴承轴套在多种真实故障条件下的运行，包括正常状态、间隙变化和几何偏心。与许多基于模拟数据或滚动轴承基准的先前研究不同，该数据集来自专为滑动轴套摩擦学和振动研究设计的真实实验测试台。此外，所提出的紧凑表示策略展示了降低的计算复杂度和低内存需求，使该方法适用于基于MEMS加速度计和边缘AI系统的嵌入式低成本预测性维护应用。实验摩擦学分析、振动监测和深度学习技术的集成促进了旋转机械智能诊断方法的发展。