基于GCNN的滚动轴承故障诊断

张振宇，王娆芬，朱安康

(上海工程技术大学电子电气工程学院，上海201620)

滚动轴承作为旋转机械中必不可少的零部件，广泛应用于交通、航空等领域及各种工程机械、高端精密机床、仪表仪器上，一旦出现问题将造成经济损失和安全隐患。传统的滚动轴承故障主要通过提取时域特征[1]、频域特征[2]和时频特征[3]结合机器学习方法进行诊断。

陈强强等[4]采用经验模态分解（Empirical mode decomposition，EMD）方法对振动信号进行分解，对IMF 分量的模糊熵值进行特征提取，利用支持向量机（Support vector machines，SVM）实现滚动轴承的故障诊断；陈慧等[5]提出一种新的基于多尺度熵(Multiscale entropy，MSE) 和概率神经网络(Probabilistic neural networks，PNN)的滚动轴承故障诊断方法；张钰等[6]从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林(Random forest，RF)对滚动轴承故障进行诊断。但是，传统的机器学习方法分类结果依赖于特征提取[7]、特征降维、分类器选择，造成了传统方法模型适用的局限性。

目前，随着深度学习（Deep learning，DL）的快速发展，轴承故障诊断领域也出现了一些基于深度学习的端到端的诊断方法。它可以自动学习原始数据的表示特征[8]，减少特征提取过程所涉及的特征定义的影响，从而可以实现端到端的故障诊断[9]。袁文军等[10]采用了一种基于深度编码网络的新型轴承故障智能诊断方法；曲建岭等[11]采用自适应一维卷积神经网络对滚动轴承进行故障诊断。在某些情况下，时域信号可以通过二维格式表示[12–14]，然后通过对图像进行分类识别故障类型。……