基于多尺度深度卷积神经网络的故障诊断方法

卞景艺，刘秀丽，徐小力，吴国新

（北京信息科技大学 现代测控技术教育部重点实验室，北京 100192）

行星齿轮、轴承被广泛应用于风力发电机组，航空设备，工程机械设备中。在低速重载的恶劣工作环境中，容易出现磨损或疲劳裂纹等故障。因此针对其进行的故障诊断方法研究，对于提高设备的可靠性以及经济效益具有重要意义。

传统的故障诊断方法分为三个步骤:①通过对信号的降噪，分解等实现对信号的预处理。②将预处理完毕的信号通过一定特征提取方法获得其时域、频域、或其他的特征。特征提取的方法有:小波变换（wavelet transform）[1-2]，同步提取法（synchro extracting）[3-4]、经验小波变换（empirical wavelet transform）[5-6]等。这些方法是对信号的无用特征又一次过滤，使得所需故障特征更为明显。③将最终提取的特征输入到基于机器学习的分类器中进行训练，通过训练分类器实现对故障的类型的识别。已经有反向传播神经网络（back propagation neural network，BP-NN）[7-8]、支持向量机（support vector machine，SVM）[9-10]被应用于故障分类当中。以上方法具有特征提取操作简单，分类器参数容易调节的特点，最终的诊断识别率可以满足大部分要求。但是上述方法仍旧割裂了故障特征提取与诊断识别两部分，在信号特征处理中需要大量的专家经验较为依赖人工，且人工提取特征的能力有限。

如今深度学习浪潮的到来，大量的深度学习模型被应用于自然语言处理、图像识别、无人驾驶等领域。深度学习通过模仿人脑的学习方式，构建深层网络模型，加之利用“大数据”训练模型，而获得数据中隐含的特征，是一种提取特征与模式识别为一体的智能模型。……