刘红军,魏旭阳

(沈阳航空航天大学 机电工程学院,辽宁 沈阳 110000 )

0 引 言

在现今机械设备中,旋转机械是机械设备中最常见和最重要的组成部件之一。滚动轴承作为旋转设备最基本的结构之一,对机械设备的寿命与稳定性有着决定性的影响。

因此,国内外许多学者对滚动轴承的故障检测进行了深入的研究[1],并提出了许多有价值的方法。大部分检测方法多采用对滚动轴承的故障信号进行分析,提取有效特征作为输入,导入各种分类器中进行识别。如杨宇等[2]通过EMD和神经网络结合的故障诊断方法;刘韬等[3]通过KPCA和耦合隐马尔科夫模型的轴承故障诊断。

但此类方法存在过程复杂、缺少灵活性、对专家的经验与知识具有依赖性,以及分类器缺少非线性拟合能力等问题。

近些年来,深度学习的非线性拟合能力在轴承故障检测方面得到了充分的展示,并获得了理论上的高精度诊断水平。其中,卷积神经网络(CNN)因其自身具有共享权值与偏重、局部感受野和子采样测量等特点,与深度信念网络(DBN)[4]和限制玻尔兹曼机(RBM)[5]等其他深度学习方法相比,在语音以及图像分类任务方面具有较大的优势。同时,其在故障诊断领域的应用也日益增多。

CNN在执行数据分类任务时,作为输入的数据集可分为一维数据和二维数据两类。如孙曙光等[6]提出的一维CNN的低压万能式断路器附件故障诊断;肖雄等[7]的一种二维CNN优化轴承故障诊断方法。WU Y等[8]对两种类型数据进行了比较,认为在已有的大多数CNN模型中,二维图像数据更适用于神经网络的模型的训练。……