一种改进卷积神经网络的轴承故障诊断

摘要：机械设备健康运转对生产加工起到至关重要的作用，如何快速地监测设备运行状态成为了重要的研究课题。其中机器轴承因长期负荷运转，易产生机械疲劳，因此轴承的质量检测仍占据重要地位。传统的故障识别效果较差，很大程度上依赖于专家经验和领域知识。本文提出了一种基于卷积神经网络的故障识别模型，该方法从两层卷积-池化层、全连接层组成的网络中准确提取振动信号特征，使用softmax分类器对不同故障的振动信息进行分类，其中在卷积层之间加入批标准化和ReLU函数，在全连接层进行Dropout操作。该实验诊断效率和精度方面均有较好表现，准确率可达到99.84%。

关键词：卷积神经网络;轴承故障检测、故障分类;深度学习

0 引言

改革开放以来，我国在现代机械制造方面已得到质的飞越。然而，现代机械设备运行的工况环境复杂多变，一旦发生机械故障，极易造成无法挽回的损失。轴承在现代制造业中占有极其重要地位，其质量直接关系着产品的安全性和可靠性。因此，对于轴承的状态监测及质量检测仍是当下研究的热点问题。

近年来，随着“大数据”的发展及其在工业方面的应用，基于深度学习的模型，如深度自编码网络（Deep Auto-Encoder Network，简称DAEN）、深度置信网络（Deep Belief Network，简称DBN）和卷积神经网络（Convolutional Neural Network，简称CNN）[1-5]发展迅速，引发越来越多研究者的关注。深度神经网络凭借其强大的数据分析和学习能力，能够主动从数据中学习到故障的潜在特征，被广泛运用于机械故障诊断并取得良好进展。……