基于多通道时频域信号的卷积神经网络智能故障诊断技术

孙仕鑫， 高 洁， 王 伟， 杜劲松， 杨 旭

(1.中国科学院沈阳自动化研究所， 沈阳 110016； 2.中国科学院机器人与智能制造创新研究院， 沈阳 110169； 3.中国科学院大学， 北京 100049； 4.辽宁省智能检测与装备技术重点实验室， 沈阳 110179)

滚动轴承作为旋转机械如齿轮箱的关键部件[1]，长时间工作在嘈杂的环境中，不可避免地会出现各种故障。为防范可能存在的隐患，最常见的方法是通过分析其振动信号来进行早期的故障诊断。传统智能故障诊断算法主要包括特征设计、特征提取和选择、状态识别[2]。而特征设计需要专家知识，并且设计的特征具有专一性，即在此数据集上设计的特征不适用于另一数据集，因此传统智能故障诊断算法具有特征设计复杂、不利于推广等缺点。近年来，深度学习的崛起为克服上述缺点提供了新的方法[3]。深度学习是一种端到端的学习方法，不需要专家知识，原始数据直接作为输入，分类结果作为输出，省去了繁杂的特征设计，且利于推广，因此在滚动轴承故障诊断领域中广泛使用。

BN是批标准化层图1 卷积神经网络结构Fig.1 Convolutional neural network structure

然而，在实际工业环境中，算法不能学习到所有负载下的健康状态特征，例如在极端情况下，算法只能在1 hp(马力，horsepower)负载下训练，在实际测试时，却需要在3 hp负载下有效识别健康状态，所以就要求算法有很强的负载域适应能力。因此，中外专家学者相继提出了在变负载下的滚动轴承故障诊断算法。Jiao等[4]提出了双级对抗域自适应网络(double-level adversarial domain adaptation network，DL-ADAN)，该模型由基于深度卷积网络的特征提取器、域识别器和两个标签分类器组成，用于识别跨领域的故障状态。……