小波包能量与CNN相结合的滚动轴承故障诊断方法

刘 颖，陶建峰，黄武涛，刘成良

（上海交通大学机械系统与振动国家重点实验室，上海 200240）

1 引言

随着计算机技术，传感器技术的快速发展，现代旋转机械变得越来越高速化、集成化、智能化[1]。针对工业生产过程中可能出现的故障如何做到快速、准确的判断越来越多地引起人们的关注。作为多种旋转机械的关键子部件，滚动轴承的性能好坏直接影响着整个机械系统可靠性以及安全性[2]。因此有必要采取相应的健康监控手段以保证滚动轴承的健康与稳定。由于机械设备众多且一般使用寿命较长，因此需要大量的数据作为支撑，故障诊断也进入了“大数据时代”[3]。

目前，已有众多国内外专家学者针对滚动轴承故障诊断展开了相应的研究。主要方法包括传统的信号分析加特征提取，以及基于机器学习的故障诊断算法。例如，文献[4]采用小波包变换代替短时傅里叶变换，有效提高了提取滚动轴承微弱故障特征的准确性，文献[5]提出了基于近似等距投影和支持向量机（SVM）的滚动轴承故障诊断方法，取得了较好的分类结果。

近年来随着深度学习技术的快速发展，以及其在特征提取能力上的巨大优势[6]，越来越多的深度学习算法被应用于学术界和工业界。作为深度学习领域最重要的工具之一卷积神经网络（CNN），在二维图像识别以及一维信号分类领域取得了重大的突破。在2015年的ImageNet算法识别挑战赛上，微软公司提出了残差卷积网络ResNet将图像识别准确率提高到了95.06%，超过了人眼识别的准确率94.9%[7]。……