Rolling bearings are one of the most widely used bearings in industrial machines. The technical condition of the rolling bearings has a significant impact on the total condition of rotating machinery. Typically, the rolling bearing condition monitoring is based on signal processing from accelerometers mounted on the machine housing. AI-based signal processing methods allow achieving high results in the diagnosis of rolling bearings. Moreover, hybrid NN-based signal processing methods provide the best diagnostic results. However, the diagnostic value of each signal from the housing-mounted accelerometers is highly depend on the location of the corresponding accelerometer. On the other hand, mounting a sensor on the rotating shaft allows expanding and increasing the signal diagnostic value. This paper proposes a novel hybrid CNN-MLP model-based diagnostic method which combines mixed input to perform rolling bearing diagnostics. The method successfully detects and localizes bearing defects using acceleration data from a wireless acceleration sensor which is mounted on a rotating shaft of the machine. The detection and localization efficiency of the hybrid model with various size datasets (more than 27 k samples and about 1900 samples) for training was estimated. Moreover, the detection and localization efficiency of the trained hybrid model with a dataset of another shaft rotating speed for testing was estimated. The experimental results show that applying the hybrid model allows detecting and localizing the bearing faults with up to 99.6% accuracy.

滚动轴承是工业机械中应用最广泛的轴承之一。滚动轴承的技术状况对旋转机械的整体状况有重大影响。通常，滚动轴承状态监测基于安装在机器外壳上的加速度计的信号处理。基于人工智能的信号处理方法可以在滚动轴承的诊断中取得高水平的结果。此外，基于混合神经网络的信号处理方法提供了最好的诊断结果。然而，来自安装在外壳上的加速度计的每个信号的诊断值在很大程度上取决于相应加速度计的位置。另一方面，在旋转轴上安装传感器可以扩大和增加信号诊断值。本文提出了一种新的基于混合 CNN-MLP 模型的诊断方法，该方法结合混合输入来执行滚动轴承诊断。该方法使用来自安装在机器旋转轴上的无线加速度传感器的加速度数据成功地检测和定位轴承缺陷。估计了用于训练的具有各种大小数据集（超过 27 k 样本和大约 1900 个样本）的混合模型的检测和定位效率。此外，估计了训练有素的混合模型与另一个轴转速的数据集进行测试的检测和定位效率。实验结果表明，应用混合模型可以检测和定位轴承故障，准确率高达 99.6%。该方法使用来自安装在机器旋转轴上的无线加速度传感器的加速度数据成功地检测和定位轴承缺陷。估计了用于训练的具有各种大小数据集（超过 27 k 样本和大约 1900 个样本）的混合模型的检测和定位效率。此外，估计了训练有素的混合模型与另一个轴转速的数据集进行测试的检测和定位效率。实验结果表明，应用混合模型可以检测和定位轴承故障，准确率高达 99.6%。该方法使用来自安装在机器旋转轴上的无线加速度传感器的加速度数据成功地检测和定位轴承缺陷。估计了用于训练的具有各种大小数据集（超过 27 k 样本和大约 1900 个样本）的混合模型的检测和定位效率。此外，估计了训练有素的混合模型与另一个轴转速的数据集进行测试的检测和定位效率。实验结果表明，应用混合模型可以检测和定位轴承故障，准确率高达 99.6%。估计了用于训练的具有各种大小数据集（超过 27 k 样本和大约 1900 个样本）的混合模型的检测和定位效率。此外，估计了训练有素的混合模型与另一个轴转速的数据集进行测试的检测和定位效率。实验结果表明，应用混合模型可以检测和定位轴承故障，准确率高达 99.6%。估计了用于训练的具有各种大小数据集（超过 27 k 样本和大约 1900 个样本）的混合模型的检测和定位效率。此外，估计了训练有素的混合模型与另一个轴转速的数据集进行测试的检测和定位效率。实验结果表明，应用混合模型可以检测和定位轴承故障，准确率高达 99.6%。