基于深度学习的轴承故障诊断方法研究.pdf
基于深度学习的轴承故障诊断方法研究
摘要
轴承作为旋转机械设备中至关重要的组成部分，其运行状态直接关系到设备的稳
定性和生产效率。当轴承出现故障或将发生故障时，如果不能及时发现并处理，可能
会发生严重的安全事故，造成巨大的经济损失。传统的轴承故障诊断方法虽然能够一
定程度上解决问题，但是依赖于专家经验和复杂的信号处理技术。近年来，基于深度
学习的轴承故障诊断方法逐渐崭露头角，通过对大量数据的学习和分析，能自动提取
特征并进行故障诊断，具有更高的准确率和自动化，但也存在着特征提取困难、抗干
扰能力差等问题。因此，本文研究利用深度学习技术，提出了基于关联循环卷积
（ARC）的轴承故障特征提取方法，以及基于标准分数注意力的关联循环多尺度卷积
网络（ZARMCN）轴承故障诊断方法，对相关问题进行解决。本文的研究内容如下：
针对多数轴承故障诊断方法数据需求量大、特征提取困难等问题，本文研究以轴
承振动信号作为诊断数据，提出了基于ARC的轴承故障特征提取方法。ARC模型由若
干个关联循环卷积块（ARCB）组成，每个ARCB通过关联循环层（ARL）对数据进行
时序建模，计算数据中的时序相关信息，然后使用卷积、池化等操作进行特征提取、
精炼。ARCB的输入与输出都是时序数据，使用多个ARCB堆叠构建的ARC，可以充
分利用轴承振动信号中的数据信息，提取出有效的故障状态表示特征。最后，为了验
证ARC的特征提取性能，将ARC与分类器结合，搭建了应用于轴承故障诊断任务的关
联循环卷积网络（ARCNets），通过相关实验表明ARC具有良好的轴承故障特征提取能
力，同时ARCNets也具有较好的轴承故障诊断性能。
针对多数轴承故障诊断方法抗干扰能力差，在复杂环境下诊断性能下降的问题，
本文研究提高诊断模型在不同负载、噪声场景下自适应能力的网络结构，构建了基于
标准分数注意力的多尺度卷积（ZMC），并应用于ARCNets模型中对其进行增强，提
出了基于ZARMCN的轴承故障诊断方法。在ZARMCN模型中，通过ZSA与多尺度卷
积的共同作用，能够根据轴承振动信号的变化，自适应地关注振动信号中的重要区域，
减少对无用信息的计算、过滤干扰信息，有效加强对重要故障状态表示特征的提取。
最后，通过相关实验表明ZARMCN在噪声和变负载场景下的轴承故障诊断任务中，具
有较强的抗噪声能力和泛化能力，对比其它模型有更优越的故障诊断性能。
关键词:轴承故障诊断；轴承振动信号；关联循环卷积；标准分数注意力
基于深度学习的轴承故障诊断方法研究
Abstract
Asanessentialcomponentinrotatingmachineryequipment,bearingsarecruciallyrelated
tothestabilityandproductivityofequipmentoperation.Whenbearingfaultsoccurorare
imminent,failuretodetectandaddressthempromptlymayresultinseveresafetyincidentsand
significanteconomiclosses.Althoughtraditionalmethodsofbearingfaultdiagnosiscan
partiallyaddresstheissue,theyrelyonexpertexperienceandcomplexsignalprocessing
techniques.Inrecentyears,bearingfaultdiagnosismethodsbasedondeeplearninghave
emerged,automaticallyextractingfeaturesandconductingfaultdiagnosiswithhigherac