孙 岩，彭高亮

(哈尔滨工业大学机电工程学院, 哈尔滨 150000)

0 引言

滚动轴承在各类机电一体化设备中使用广泛,由于工作环境恶劣、频率高等原因，轴承故障频发。时频分析是目前常用的轴承故障诊断方法之一，但受限于轴承工作环境噪声等因素，故障特征在振动信号中信噪比较低，直接进行故障诊断难度较大，常采用一些信号降噪、分解的方法辅助识别。传统信号处理方法过程繁琐，不能自动识别特征，依赖人员经验较多。随着人工智能技术的发展，越来越多的学者提出智能化诊断方法。Zhang Wei等[1]提出一种从一维时间信号直接提取特征的方法，利用大小不同的卷积核实现噪声滤波和特征提取；Shao Haidong等[2]提出了一种基于极限学习机的深度小波自动编码器，用于滚动轴承的智能故障诊断；李恒等[3]提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。上述方法都取得了一定的效果，但存在结构相对复杂，尤其卷积神经网络，参数较多，调整复杂，没有从信号特征出发，因此需大量样本训练优化参数。本文提出一种从信号时频分布特征角度提取信号的方法，根据时频域特征采用直线性感受野，利用胶囊网络空间位置敏感性进行故障分类。

1 基本原理

1.1 时频分析

时频分析从时间和频率二维的角度观测信号的本质特征，原始一维振动信号为信号、谐波及杂波的混合体，从单时域和频域直接分析，故障特征规律不明显。……