亓海征，殷海双

(东北石油大学电气信息工程学院，黑龙江 大庆 163318)

轴承是机械系统中十分重要的部分，它的运行状态关乎整体运行的好坏。通过故障轴承的振动数据进行故障判断愈发地成为一种趋势。轴承故障诊断一般可分如下几步：数据信号处理，特征值提取以及通过特征值对故障进行识别。在文献[1]、[2]中，通过小波包和傅里叶变换对轴承信号进行处理，以便更好地提取振动信号的特征值；文献[3]通过运用多层的稀疏自编码器来对原始的轴承振动数据进行特征值提取；文献[4]、[5]用堆叠式降噪自编码器将轴承信号重新组合，使神经网络更容易对特征值进行分类；文献[6]通过将振动信号的特征值提取和分类整合成一个整体，使一维的卷积神经网络能更有效地进行故障分类。上述几种轴承故障诊断方法运用神经网络避免了人为特征值的提取，但由于输入信号是一维时间序列信号，在非平稳信号特征提取时会导致一定的特征值丢失，并且典型卷积神经网络也难以处理微小特征值。

针对以上问题，本文介绍了一种基于小波时频图的改进LeNet-5网络轴承故障诊断方法。该方法通过构建两条不同的卷积神经网络支路来提高对特征值的提取，并且用时频图作为输入信号，提高对于非平稳信号故障轴承的识别与分类。

1 小波变换及卷积神经网络

1.1 小波变换

(1)

式中:φa,b为分析小波或者连续小波；φ为母小波或者基本小波；a为改变小波形状的伸缩因子；……