基于改进CNN的噪声以及变负载条件下滚动轴承故障诊断方法

谢天雨，董绍江

（重庆交通大学 机电与车辆工程学院，重庆400074）

滚动轴承是大多数机械传动装置的关键性零件，若发生故障，会对整个机械的运行造成影响，因此对滚动轴承进行故障诊断具有重要的意义。

传统的轴承故障诊断方法一般需要借助于快速傅里叶变换[1]、小波变换[2]和经验模态分解[3]等现代信号处理技术对采集到的信号进行处理，再由专家结合专业经验对处理过的信号进行特征提取，最后通过人工神经网络、支持向量机[4]等分类器将故障识别分类。但传统轴承故障识别方法过于依赖专家经验，并且在实际工况下不免会受到噪声干扰、负载变化的影响，这会大大增加诊断难度。

卷积神经网络作为深度学习的代表性网络之一，具有对数据特征进行自适应提取的能力，近年来被越来越多的学者应用于故障诊断领域。曲建岭等[5]设计了一维的基于CNN轴承故障诊断算法，实现了“端到端”的故障诊断模式。唐波等[6]提出了短时傅里叶变换与CNN相结合的轴承故障诊断方法，同时考虑了故障信号的时域与频域信息，提高了诊断性能。杨平等[7]提出了一种基于卷积胶囊网络的滚动轴承故障诊断方法，它可以将传统神经网络中每个神经元由标量转化为向量，以此降低特征信息的丢失。但以上方法都忽视了通道注意力对模型性能的影响。

邓佳林等[8]提出了一种将特征通道权重模块(Squeeze-Excitation，SE)和CNN 相结合的轴承故障诊断方法，通过增加SE模块生成通道特征权重获取通道全局信息，但SE模块中使用全连接层降维造成原有特征信息部分丢失，会使最终的诊断准确率有所降低。……