周 杨

（浙江海洋大学 海洋工程装备学院，舟山316022）

轴承作为工业设备当中的重要部件之一，其性能的好坏直接影响到设备是否能正常运行。根据有关数据统计，旋转机械的故障约有三分之一是由轴承故障引起的[1]。所以，研究轴承故障并确定故障类型成为了国内外的热门研究领域之一。

轴承故障诊断的研究核心是信号的特征提取和故障分类。文献[2]提出了经验模式分解（empirical mode decomposition，EMD），这是一种新型自适应信号的时频处理方法，特别适用于非线性非平稳信号的分析处理。但是，这些时频处理方法，需要人工手动提取且要有丰富的专业知识。最近几年，随着科技的不断进步，以机器学习为基础的数据驱动的故障诊断方法在故障诊断领域逐渐成为主流[3]。文献[4]把随机森林（random forest，RF）运用到了轴承的故障处理上面，实验结果表明，与传统的分类器相比，随机森林的诊断正确率更高。

针对滚动轴承在发生故障时，由于故障振动信号具有非稳定性、非线性的特点，传统的诊断方法无法对故障特征进行自动提取，导致故障的分类正确率偏低。为了实现故障特征的自动提取从而提高故障识别率，本文提出了基于卷积神经网络（convolutional neural networks，CNN）与RF 相结合的算法模型解决了轴承故障分类问题。首先将轴承在不同工况下的振动信号转化为二维灰度图；然后再将灰度图输入到卷积神经网络中进行特征提取和学习；最后利用随机森林算法来进行分类。将识别结果与改进的残差网络，EEMD-CNN 不同的故障分类模型所得的结果进行对比，结果表明，本文所用的方法在轴承故障的准确率上更高。……