贾子威 朱历平 杨明超

摘要：针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下，早期故障特征难以提取及有效识别的问题，提出一种改进卷积神经网络（CNN）的故障诊断方法。该方法首先应用短时傅里叶变换（STFT）将传感器采集到的一维振动信号转换为二维时频图，并将其作为改进卷积神经网络的输入，然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后，通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。

关键词：卷积神经网络;短时傅里叶变换;特征提取;故障诊断

中图分类号：TP181                                      文献标识码：A                                文章编号：1674-957X（2021）05-0131-03

0  引言

随着工业技术水平的不断发展，智能诊断方法在机械设备故障诊断中占據了举足轻重的地位。起重机械是工业场景和港口中装卸作业的主要机械设备，用于垂直提升或水平移动重物[1]。滚动轴承是起重机械中承受载荷并支撑轴系部件的重要零件之一，当滚动轴承突发故障时可能造成设备停机从而产生重大经济损失，严重时甚至会造成人员伤亡。由于起重机械工作环境比较复杂，滚动轴承早期故障呈现非平稳、非线性的特点，因此实现高精度故障诊断的关键在于复杂工况下敏感特征的有效提取[2]。

深度学习拥有强大的特征提取能力，可以在故障类别与故障特征之间建立复杂映射关系[3]，目前国内外诸多学者基于深度学习方法针对滚动轴承故障诊断中存在的问题展开了大量研究，提出了多种特征提取方法。……