陈维兴，崔朝臣，李小菁，赵 卉

(1.中国民航大学，天津 300300； 2.中国人民解放军 31439部队，辽宁 沈阳 110000)

1 引 言

滚动轴承作为风力发电机组传动链机构核心部件之一,其健康状况对于机构性能和使用寿命会有很大影响[1],因此,风力发电机组轴承的故障诊断对于机组的安全运行具有重要意义。卷积神经网络(convolutional neural network,CNN)自从在图像识别领域取得巨大成功以来,一些学者尝试将其应用于故障诊断领域[2]。如文献[3～5]提出基于一维卷积神经网络的旋转机械故障诊断算法。虽然利用一维CNN对振动信号进行故障识别方法在诊断结果上具有一定效果,但风力发电机组轴承实际运行中其振动信号呈现出非平稳、背景噪声大等特点,利用一维信号进行故障诊断的方法丢失了信号的频率信息,无法充分展现信号的时频特征。为弥补一维CNN的缺陷,Chen等[6]提出一种基于离散小波变换和CNN的故障识别方法,证明了其可行性。Li等[7]利用短时傅里叶(DFT)变换得到时-频谱样本,用CNN进行特征提取,该方法具有一定的鲁棒性。Zeng等[8]利用S变换获得的时-频图作为卷积神经网络的输入,进而提取故障特征以进行故障诊断。基于时-频信息的CNN方法虽然在定转速轴承故障诊断中取得较好的效果,但CNN是通过将局部信息聚合到全局,丢失了时-频信号的长时依赖性。由于时-频特征在时域上具有时移性、风力发电机组轴承振动信号的复杂性,单小波变换无法囊括信号的多种振动模式,使得所训练的网络在实际应用中稳定性不强。……