基于深度学习的轴承故障诊断方法研究.pdfVIP

摘要

摘要

轴承在机械设备中起着至关重要的作用，其工作状态对设备的整体性能有着

直接的影响。轴承在运行过程中，由于环境复杂且多变，故障的发生几率极高。如

果不能及时检测并替换出现故障的轴承，可能会引发设备的异常运行，从而导致重

大的经济损失。因此，对轴承进行故障诊断具有非常重要的意义。

近些年人工智能技术得到飞速发展，轴承故障诊断也开始由传统的故障诊断

转向智能故障诊断，基于深度学习的智能故障诊断开始应用于轴承故障诊断中。实

际工作环境中，采集的数据具有样本稀缺、噪声干扰和工况变化的特点以及存在多

个轴承故障诊断任务的场景。现有基于深度学习的轴承故障诊断方法在以上特点

的数据集和场景中存在相关问题，本文以轴承振动信号为分析目标，运用深度学习

技术，对高噪声、不同工况以及多任务等复杂环境下的轴承故障识别问题进行了深

入研究，主要研究内容如下：

1.针对传统的基于深度学习的轴承故障诊断模型在小样本和变工况场景下诊

断效果不好的问题，提出一种基于改进深度残差孪生神经网络的轴承故障诊断方

法。提出的方法利用孪生神经网络提取共享权重的特征，以扩充故障样本。然后，

通过多个残差块提取更深层次的特征信息，有效缓解过拟合问题。利用注意力机制

提高对重要特征信息的关注度。最终，通过计算样本对之间的欧氏距离来评估相似

度，以进行轴承故障分类，实现端到端的轴承故障诊断。通过利用凯斯西储大学数

据集设计多组实验，以综合验证所提方法的有效性，结果表明该方法有优秀的故障

识别能力。

2.针对轴承运转过程中存在噪声干扰以及故障样本稀缺的问题，提出一种基

于多尺度协同融合残差神经网络的轴承故障诊断方法。该方法利用多尺度收缩去

噪模块提高在小样本场景下的故障特征提取的能力和抑制噪声的干扰。集成了中

间融合模块和全局感知模块，增强特征表示并扩展模型的感受野，从而提高全局特

征提取能力。此外，引入在线标签平滑、Meta-ACON激活函数和AdamP优化器，

以促进收敛并增强模型的泛化能力。在凯斯西储大学数据集和东南大学数据集上

的实验表明，该方法在强噪声以及样本稀缺的场景下能够准确进行轴承故障诊断。

3.针对现有的深度学习轴承故障诊断模型大多基于单一的故障诊断，实际工

作环境下存在多个轴承故障诊断任务的问题，提出一种基于多尺度多任务深度可

分离网络的轴承故障诊断方法。该方法利用多任务学习机制进行故障类型和故障

尺寸两种任务的诊断。引入深度可分离卷积进行特征提取，旨在减少参数量并增强

I

盐城工学院硕士学位论文

提取多任务所需要的故障特征。然后，利用注意力机制选取有效的特征信息；并提

出了一种动态损失权重算法，该算法能够根据任务的特性动态调整损失权重，针对

每个子任务实现了灵活的权重控制。实验结果表明，该方法具有良好的抗噪性和自

适应性。

关键词：轴承故障诊断，深度学习，注意力机制，多任务学习，动态损失权重

算法

II

Abstract

Abstract

Bearingsplayavitalroleinmechanicalequipment,itsworkingconditionhasadirect

impactontheoverallperformanceoftheequipment.Bearingsintheoperationprocess,

duetothecomplexandvariableenvironment,thechanceoffailureisextremelyhigh.If

thefaultybea