振動(dòng)圖像結(jié)合CNN的軸承振動(dòng)信號(hào)分析方法研究

郝勇，劉尚宗，吳文輝

（1.華東交通大學(xué)機(jī)電與車(chē)輛工程學(xué)院，南昌330013；2.青島四方龐巴迪鐵路運(yùn)輸設(shè)備有限公司，山東青島266111）

振動(dòng)信號(hào)分析廣泛應(yīng)用于機(jī)械設(shè)備的故障診斷和健康狀態(tài)測(cè)試與維護(hù)。軸承是機(jī)械設(shè)備中一種重要零部件，它的主要功用是支撐機(jī)械旋轉(zhuǎn)體，降低其運(yùn)動(dòng)過(guò)程中的摩擦因數(shù)，并保證其回轉(zhuǎn)精度，其質(zhì)量?jī)?yōu)劣直接影響機(jī)械系統(tǒng)的壽命、安全性和穩(wěn)定性[1]，在旋轉(zhuǎn)機(jī)械中有70%的故障是由滾動(dòng)軸承引起的。軸承振動(dòng)信號(hào)具有非線性、非平穩(wěn)和缺陷特征微弱的特點(diǎn)[2-3]，因此，從振動(dòng)信號(hào)中直接提取軸承的故障特征較困難且不準(zhǔn)確，需要探索一種適用于強(qiáng)背景干擾下的信號(hào)特征提取和分析方法實(shí)現(xiàn)軸承品質(zhì)的評(píng)估。

振動(dòng)信號(hào)結(jié)合機(jī)器學(xué)習(xí)方法常用于軸承的故障診斷和質(zhì)量品質(zhì)評(píng)估模型的建立[4]。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)算法如支持向量機(jī)（Support vector machine,SVM）對(duì)于大數(shù)據(jù)訓(xùn)練樣本會(huì)耗費(fèi)大量機(jī)器內(nèi)存與運(yùn)算時(shí)間，對(duì)于非線性問(wèn)題還需要選擇最優(yōu)核函數(shù)[5]；決策樹(shù)（Decision tree）不支持在線學(xué)習(xí)，且會(huì)忽略數(shù)據(jù)集屬性間的相關(guān)性，模型容易過(guò)擬合；邏輯回歸（Logistic regression）只能處理兩分類(lèi)問(wèn)題，對(duì)多類(lèi)特征不能很好處理，容易欠擬合。因此，傳統(tǒng)的機(jī)器學(xué)習(xí)算法雖然結(jié)構(gòu)簡(jiǎn)單，但是在復(fù)雜非線性關(guān)系的分類(lèi)問(wèn)題中其分析能力受到極大限制。

近年來(lái)，深度學(xué)習(xí)作為自動(dòng)提取特征的典型方法應(yīng)用于智能故障診斷。Kong 等[6]提出一種新穎的正則化策略，在堆棧自編碼模型訓(xùn)練中引入內(nèi)積，，構(gòu)造出基于內(nèi)部產(chǎn)品的堆棧式自編碼模型，用以改善工業(yè)過(guò)程的深層特征。……