宫文峰 陈辉 张泽辉 张美玲 管聪 王鑫

摘要：卷积神经网络（Convolutional Neural Network，CNN）作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足，使得模型训练和测试的时间较长。为此，提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分，有效解决了传统CNN模型参数量过多的问题，并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断，并与传统智能诊断算法进行对比验证。结果显示，改进的CNN算法的故障识别准确率高达99.04%，在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取，“端到端”的算法结构具有较好的可操作性和通用性。

关键词：故障诊断;滚动轴承;卷积神经网络;全局均值池化;深度学习

中图分类号：THl65⁺.3;TH133.33文献标志码：A 文章编号：1004-4523（2020）02-0400-14

DOI：10.16385/j.cnki.issn.1004-4523.2020.02.021

引言

近年来，中国在先进航空发动机、高性能舰船推进电机和大型风力发电机组等为代表的精密旋转机械方面取得了突破性进展，滚动轴承作为旋转机械中的核心支撑回转部件，其运行精度和安全可靠性直接影响旋转机械的总体性能。滚动轴承在复杂多变的载荷环境下长时问高速连续运转，常因冲击交变载荷、热疲劳和机械磨损等影响而发生各种故障。从故障的……