文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

基于改进多尺度卷积网络的轴承故障诊断研究

贡莹莹，朱晓娟

（安徽理工大学 计算机科学与工程学院，安徽 淮南 232001）

栏目：智能制造 · 第 2025 年第 7 期 · 页码：179-185 · 2096-4706（2025）07-0179-07 · 中图分类号：TH133.3 · 文献标识码：A · DOI：10.19850/j.cnki.2096-4706.2025.07.033

摘要

文章针对卷积神经网络在复杂环境中存在的问题，如易受干扰、固定感受野难以提取丰富故障特征以及诊断精度下降等，提出了一种改进的多尺度卷积网络轴承故障诊断方法。首先，对原始振动信号进行预处理；其次，利用不同感受野的卷积核提取多尺度特征，有效捕捉多样化的故障信息；接着，引入自注意力机制，使模型能够动态计算并调整特征图内各位置的权重，自适应地增强关键故障特征；最后，利用全连接层对提取的特征进行分类，实现精准诊断。实验结果表明，该方法在公开数据集上的诊断准确度达到约98%，并且在不同信噪比条件下展示出良好的抗噪性和泛化能力。

关键词

多尺度卷积网络；特征提取；自注意力机制；轴承故障诊断

参考文献

  1. [1] TANG H T，GAO S B，WANG L，et al. A Novel Intelligent Fault Diagnosis Method for Rolling Bearings Based on Wasserstein Generative Adversarial Network and Convolutional Neural Network under Unbalanced Dataset [J/OL].Sensors，2021，21（20）：6754.[2024-09-28].https://doi.org/10.3390/s21206754.
  2. [2] ZHANG S，ZHANG S B，WANG B N，et al. Deep Learning Algorithms for Bearing Fault Diagnostics—A comprehensive Review [J].IEEE Access，2020，8：29857-29881.
  3. [3] RIBEIRO JUNIOR R F，DOS SANTOS AREIAS I A，CAMPOS M M，et al. Fault Detection and Diagnosis in Electric Motors Using Convolution Neural Network and Short-Time Fourier Transform [J].Journal of Vibration Engineering & Technologies，2022，10（7）：2531-2542.
  4. [4] 胡茑庆，陈徽鹏，程哲，等.基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法 [J].机械工程学报，2019，55（7）：9-18.
  5. [5] TARY J B，HERRERA R H，VAN DER BAAN M. Analysis of Time-Varying Signals Using Continuous Wavelet and Synchrosqueezed Transforms [J].Philosophical Transactions of the Royal Society A：Mathematical，Physical and Engineering Sciences，2018，376（2126）：20170254-20170254.
  6. [6] YU J B. Local and Nonlocal Preserving Projection for Bearing Defect Classification and Performance Assessment [J].IEEE Transactions on Industrial Electronics，2012，59（5）：2363-2376.
  7. [7] ZHANG X Y，LI C S，WANG X B，et al. A Novel Fault Diagnosis Procedure Based on Improved Symplectic Geometry Mode Decomposition and Optimized SVM [J/OL].Measurement，2021，173：108644.[2024-010-18].https://www.sciencedirect.com/science/article/abs/pii/S026322412031160X?via%3Dihub.
  8. [8] YU W K，ZHAO C H，HUANG B. MoniNet With Concurrent Analytics of Temporal and Spatial Information for Fault Detection in Industrial Processes [J].IEEE Transactions on Cybernetics，2021，52（8）：8340-8351.
  9. [9] JANSSENS O，SLAVKOVIKJ V，VERVISCH B，et al. Convolutional Neural Network Based Fault Detection for Rotating Machinery [J].Journal of Sound and Vibration，2016，377：331-345.
  10. [10] MA Y F，JIA X S，BAI H J，et al. A New Fault Diagnosis Method Based on Convolutional Neural Network and Compressive Sensing [J].Journal of Mechanical Science and Technology，2019，33（11）：5177-5188.
  11. [11] 孙祺淳，李媛媛.DE算法优化CNN的滚动轴承故障诊断研究 [J].噪声与振动控制，2022，42（4）：165-171+176.
  12. [12] ZHAI X D，QIAO F，MA Y M，et al. A Novel Fault Diagnosis Method Under Dynamic Working Conditions Based on A CNN With an Adaptive Learning rate [J].IEEE Transactions on Instrumentation and Measurement，2022，71：1-12.
  13. [13] PENG D D，LIU Z L，WANG H，et al. A Novel Deeper One-Dimensional CNN With Residual Learning for Fault Diagnosis of Wheelset Bearings in High-Speed Trains [J].IEEE Access，2018，7：10278-10293.
  14. [14] JI M，CHU C S，YANG J H. A Joint Deep Learning Model for Bearing Fault Diagnosis in Noisy Environments [J].Journal of Mechanical Science and Technology，2024，38（7）：3265-3281.
  15. [15] HUANG W Y，CHENG J S，YANG Y，et al. An Improved Deep Convolutional Neural Network With Multi-scale Information for Bearing Fault Diagnosis [J].Neurocomputing，2019，359：77-92.
  16. [16] 万欣，牛玉广.基于改进卷积神经网络的变工况轴承故障诊断 [J].轴承，2024（8）：68-73+79.
  17. [17] WANG H，LIU Z，PENG D，et al. Attention-Guided joint Learning CNN with Noise Robustness for Bearing Fault Diagnosis and Vibration Signal Denoising [J].ISA transactions，2022，128：470-484.
  18. [18] 汪祖民，张志豪，秦静，等.基于卷积神经网络的机械故障诊断技术综述 [J].计算机应用，2022，42（4）：1036-1043.
  19. [19] HUANG K，ZHU L B，REN Z J，et al. An Improved Fault Diagnosis Method for Rolling Bearings Based on 1D_CNN Considering Noise and Working Condition Interference [J/OL].Machines，2024，12（6）：383.[2024-10-18].https://doi.org/10.3390/machines12060383.
  20. [20] LI J，BAO Y，LIU W X，et al. Twins transformer: Cross-Attention Based Two-Branch Transformer Network for Rotating Bearing Fault Diagnosis [J].Measurement，2023，223：113687.
  21. [21] 张志艺.基于多尺度卷积神经网络的滚动轴承故障诊断技术研究 [D].太原：中北大学，2024.
  22. [22] LIANG H P，ZHAO X Q. Rolling Bearing Fault Diagnosis Based on one-Dimensional Dilated Convolution Network with Residual Connection [J].IEEE Access，2021，9：31078-31091.
  23. [23] 张伟.基于卷积神经网络的轴承故障诊断算法研究 [D].哈尔滨：哈尔滨工业大学，2017.

基金项目

安徽高校省级自然科学研究重点项目（KJ2020A0300）

作者简介

贡莹莹（1999—），女，汉族，江苏镇江人，硕士研究生在读，研究方向：智能故障诊断研究。