周陈林 董绍江 李玲

摘要： 针对现有滚动轴承故障诊断模型中人工选取特征的不确定性，诊断模型不具有针对性的难题，提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先，该方法针对滚动轴承故障的多状态特征信息，提出一种改进型卷积神经网络设计基本准则（BPDICNN）;再次，利用提出的BPDICNN設计了卷积神经网络模型，直接在滚动轴承原始振动信号上进行“端到端”的学习训练，从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后，利用实验数据进行了验证，实现了30个滚动轴承故障状态的有效诊断，准确率为100%，实验结果验证了方法的有效性。

关键词： 故障诊断; 滚动轴承; 改进型卷积神经网络; 多状态

中图分类号： TH165+.3; TH133.33  文献标志码： A  文章编号： 1004-4523（2020）04-0854-07

DOI：10.16385/j.cnki.issn.1004-4523.2020.04.024

引 言

滚动轴承作为旋转机械的重要零部件之一，其健康状态影响着整个机械设备的正常运行。由于现代化机电装备规模大，检测点多，传感器采样频率高，设备服役周期长，检测系统将获得海量的数据，机电装备的状态检测正迈入“大数据”的时代[1]。如何从海量数据中自动挖掘特征，构建针对性的故障诊断模型，对轴承等重要零件进行实时监测，并保障机械系统的安全运行具有重要意义。

目前对于滚动轴承故障检测的传统诊断算法大都预先经过小波变换、傅里叶变换等复杂的信号特征提取，然后通过PCA、自编码器等方式约简数据，最后使用SVM等分类器分类。……