王金瑞 李舜酩 钱巍巍 安增辉 张伟

摘要：机械中普遍存在的转速大波动工况是影响机械设备故障诊断的关键性难题，现有方法在计算效率及诊断误差等方面存在缺陷。深度学习理论能够利用深度神经网络实现数据的自动特征提取和分类。结合深度学习的优势，提出了一种专门用于处理转速大波动工况下的智能故障诊断方法。该方法首先根据机械转速信息提取频域样本;然后利用频域样本训练批标准化的深度神经网络，用批标准化技术中的平移和缩放参数能来处理转速大波动下频域信号的频移和幅变特性，并减轻深度网络内部协变量转移问题，加快网络收敛;最后采用两组特殊设计的转速大波动工况下的滚动轴承试验来验证提出方法的性能。研究结果表明，该方法可克服转速大波动的影响，从而实现不同轴承故障的准确识别，并获得比其他方法更高的准确率。

关键词：故障诊断;滚动轴承;深度学习;转速大波动;批标准化

中图分类号：TH165⁺.3;TH133.33文献标志码：A 文章编号：1004-4523（2020）02-0391-09

DOI：10.16385/j.cnki.issn.1004-4523.2020.02.020

引言

随着现代制造业和信息技术的发展，交通、能源、航天等领域的机械设备如高速列车、航空发动机、燃气轮机等都在朝着复杂化、高速化和智能化发展，因此可靠的健康监测系统也日趋重要。而转速大波动情况下的健康监测技术尚未成熟，考虑转速大波动工况的普遍存在：一是由于机械设备启停产生的大范围的转速变化，二是在受载荷、工况的影响下出现的转速剧烈波动。……