基于深度学习的滚动轴承故障诊断方法研究.pdf

摘要

轴承作为旋转机械中的关键组件，其状态的准确监测和及时诊断对于确保设

备的可靠运行至关重要。近年来，基于数据驱动的轴承故障诊断方法发展迅速，

已逐渐成为当前研究最为深入的一类方法。本文针对滚动轴承运行过程中产生的

振动信号，利用数据驱动方法中被广泛使用的深度学习技术对其开展故障诊断研

究。为了解决现有方法存在特征提取不充分、训练耗时长以及噪声条件下诊断准

确率低等问题，提出了以多尺度卷积神经网络与深度残差收缩网络为主体的两种

滚动轴承故障诊断方法。具体研究工作如下：

针对传统卷积神经网络(CNN)采用单一尺度卷积核难以全面地对具有复杂时

间尺度特征的滚动轴承振动信号进行特征提取的问题，提出一种基于多尺度卷积

神经网络(MSCNN)的轴承故障诊断方法。该方法将轴承原始的一维振动数据经数

据重构变为二维输入格式，以更契合卷积神经网络输入数据格式；在特征提取阶

段采用了多尺度卷积核并联的方式，以获取滚动轴承振动信号中更多的故障特征

细节；通过引入全局平均池化技术替代传统卷积神经网络模型中的全连接层部分，

成功地解决了参数数量过多的问题。经多组对比实验，结果表明：基于本文提出

的多尺度卷积神经网络无论是在轴承故障识别准确率还是识别速度上均优于传统

卷积神经网络和其他智能算法。

针对强噪声环境下，传统深度神经网络对轴承数据特征学习能力不足，故障

诊断精度不高的问题，提出一种基于连续小波变换(CWT)与深度残差收缩网络

(DRSN)组合支持向量机(SVM)算法的故障诊断模型，实现强噪声条件下轴承故障

的高效诊断。本方法先利用连续小波变换对加入不同高斯白噪声的轴承振动数据

进行时频分析，随后将转化的时频图像输入到DRSN模型中进行特征提取，最后

由替代Softmax函数作为末端分类器的非线性SVM进行故障分类。实验结果验证

了本方法(CWT-DRSN-SVM)在含有噪声干扰条件下的故障诊断相较于其他智能诊

断方法具有更稳定、更精确的表现。这在实际工业生产中对轴承等机械设备的可

靠性保障、企业的安全生产研究具有一定现实意义。

关键词：滚动轴承，故障诊断，多尺度卷积神经网络，深度残差收缩网络，

支持向量机

Abstract

Bearings,ascrucialcomponentsinrotatingmachinery,requireaccuratemonitoring

andtimelydiagnosisoftheirconditiontoensurereliableequipmentoperation.Inrecent

years,data-drivenmethodsforbearingfaultdiagnosishaverapidlyadvancedand

graduallybecomethemostin-depthcategoryofresearch.Thispaperconductsfault

diagnosisresearchbasedonvibrationsignalsgeneratedduringtheoperationofrolling

bearings,utilizingwidelyadopteddeeplearningtechniqueswithinthefieldof

data-drivenmethods.Inordertocopewiththeproblemsofinsufficientfeature

extraction,longtrainingtimeandlowdiagnosticaccuracyundernoisyconditionsinthe

existingmethods,tworollingbearingfaultdiagnosismethodsmainlybasedon

multi-scaleconvolutionalneuralnetworkanddeepresidualcontractionnetworkare

proposed