基于一维卷积神经网络的滚动轴承故障程度诊断

薛妍，沈宁，窦东阳

(1.中国矿业大学 化工学院，江苏 徐州 221116；2.宁夏煤业洗选中心，银川 750409)

滚动轴承是旋转机械设备的关键部件，其可靠性直接影响设备的正常运行和安全生产。滚动轴承从正常运转到完全失效要经历一系列不同的性能退化过程，因此，轴承故障退化程度的评估是开展视情维修的基础和重点[1]。

时域、频域及时频域分析是基于振动信号的传统故障诊断方法[2]。为更好地表征振动信号的局部特征，通常采用短时傅里叶变换[3]、小波变换[4]、经验模态分解[5]、局部均值分解[6]等时频处理方法提取轴承振动信号的故障特征，再通过丰富的经验知识分类故障特征，这些方法耗时费力且识别率较低。智能化的故障诊断方法则利用支持向量机[7]、k-邻近算法[8]、人工神经网络[9]等机器学习方法自动分类特征，降低依赖专家经验出错的概率，但准确率取决于人工提取的特征能否准确表达故障信息，仍存在较大的局限性。

轴承的失效是循序渐进的，文献[10-11]通过研究轴承的性能退化过程，证明RMS指标、熵特征可以用来表征轴承的性能退化；文献[12]运用支持向量机(SVM)对滚动轴承数据进行训练分类，文献[13]采用深度神经网络对轴承寿命数据进行识别，都实现了对轴承的性能退化趋势的监测。然而，相比于机器学习模型浅层的网络结构，深度学习模型具有更深的网络层，拥有较强的自适应特征学习和分类能力，不仅降低了对信号处理与诊断经验的依赖，更加适应工业大数据背景下海量监测数据的分析需求[14-15]。……