摘要
轴承作为旋转机械系统中的核心零部件，起到承载和传递载荷的作用，其失效或工作条件异常将直接影响机械系统的工作性能。在工业生产中，由于受到环境变化、载荷冲击等各种复杂因素的影响，轴承不可避免的会发生故障，且故障信号具有随机、非平稳的特点，因此对复杂工况下的轴承进行故障诊断具有重大的意义。本文以轴承在不同工况以及噪声干扰场景下的故障诊断为应用背景，对卷积神经网络(ConvolutionalNeutralNetwork,CNN)在轴承故障诊断中的关键技术展开了深入研究，有效提高了复杂工况下轴承故障诊断效果。本文的主要研究内容如下： 针对目前的CNN模型在用于解决轴承故障诊断问题时，每个卷积层只能提取单一尺度上的特征，无法判断哪些时间尺度特征对故障敏感，导致模型不能捕捉到变工况条件下振动信号的有效特征，本文提出了一种基于自适应加权的多尺度卷积神经网络的轴承故障诊断方法。该方法采用通道分组卷积的方式学习多个时间尺度上的故障特征，结合自适应加权算法保证多个分组之间的相关性，提高了模型在变工况下的特征提取能力和泛化性能。通过轴承故障诊断试验证明，该方法在变转速和变负载条件下具有较高的故障识别准确率。 由于传统的CNN模型在提取轴承振动信号的特征时，未考虑时域振动信号脉冲段的重要性以及不同通道特征向量间的关系，本文提出了一种基于双注意力卷积神经网络的轴承故障诊断方法。该方法可以对振动信号的时间序列特征和通道特征同时自适应地赋予不同的权重，有选择地学习更重要的特征信息，提高了模型的特征学习能力和域自适应性，从而提高了复杂工况下轴承故障识别的准确率。通过轴承故障诊断试验证明，该方法在强噪声和变工况条件下具有较高的故障诊断精度和较强的域自适应性；同时，通过可视化特征向量分析了通道注意力模块和信号注意力模块对故障特征优化的有效性。 针对轴承的无标签故障诊断问题，本文提出了一种基于子领域自适应和双注意力卷积神经网络的无标签轴承故障诊断迁移学习方法。该方法通过双注意力卷积神经网络自适应提取特征，引入子领域自适应概念，利用局部最大均值差异对齐同一类别相关子域的分布，降低了因分布差异带来的诊断误差，提高了模型对无标签故障的诊断效果。通过跨域的无标签轴承故障诊断试验证明，该方法能够有效地完成无标签故障诊断任务，具有较好的域自适应性。
NETL