基于抗噪多核卷积神经网络的轴承故障诊断方法

董绍江 杨舒婷 吴文亮

(1.重庆交通大学 机电与车辆工程学院，重庆 400074;2.西南交通大学 磁浮技术与磁浮列车教育部重点实验室，成都 610031)

引 言

轴承作为现代制造业的重要组成部分，在大多数旋转机械的运行中发挥着至关重要的作用，其健康状况直接影响机构性能的稳定性与寿命，因此轴承故障诊断对机械系统运行的可靠性和安全性具有重大意义。在实际应用中，机械系统的工作环境变化很大。由于振动信号容易被噪声污染，因此在工业生产中不可避免地会产生噪声。在嘈杂的环境下诊断故障类型的能力至关重要且具有挑战性。

防止轴承可能损坏的最常见方法是在旋转机构运行时对振动进行实时监控，目前常应用智能的故障诊断方法来识别故障类型[1-3]。Amar等[4]提出了一种故障诊断方法，该方法使用预处理的快速傅里叶变换(fast Fourier transform，FFT)频谱图像作为人工神经网络的输入。从原始振动信号生成的FFT频谱图像首先使用2D平均滤波器进行平均，然后通过适当的阈值选择转换为二进制图像。Shao等[5]针对滚动轴承故障诊断提出一种带有压缩感知的改进卷积深度置信网络，即先用高斯可见单位构造一个新的卷积深度置信模型，以增强压缩数据的特征学习能力；其次采用指数移动平均技术来提高构造的深度模型的泛化性能。

近年来，随着深度学习[6]在各种研究领域中作为计算框架的迅速普及，研究人员尝试使用卷积神经网络(convolutional neural networks，CNN)来诊断机械零件的故障。……