摘要
滚动轴承是机械设备中最常使用的零部件之一，它复杂的工作环境导致其容易发生故障，如果滚动轴承发生故障时不能及时诊断，可能会引起非常严重的后果。传统的故障诊断需要利用人工经验来提取故障特征，故障诊断精度低。卷积神经网络作为深度学习中一种典型网络，有着很强的信息特征提取能力，但是卷积神经网络在处理特征信息时非线性映射能力不足；易受噪声干扰以及不同工况下的影响；并且卷积神经网络的超参数需要人为设置会带来不确定性。本文针对上述问题做了如下工作： 针对传统故障诊断方法诊断过程复杂，诊断精度低；卷积神经网络非线性映射不足，本章提出了基于MOE-CNN的滚动轴承故障诊断模型。该模型是单通道模型，在模型的全连接层后添加了混合专家网络层，多个专家会同时学习输入数据特征，各个专家会根据门控模块来选择自己的权重。经过实验验证，通过添加混合专家网络层增强了模型的非线性映射能力，并且该模型无需进行复杂的人工特征提取，可直接实现端到端的轴承智能故障诊断。 针对卷积神经网络模型抗噪性能弱，泛化能力低，本章提出了基于CBAM-MSCNN的滚动轴承故障诊断模型。将单通道的卷积神经网络模型结构扩展为多通道，通过多个通道上多个尺寸的卷积核提取更加全面的轴承原始信号关键特征，在每个通道上加入CBAM注意力机制，通过CBAM注意力机制加强模型对重要信息的关注，避免无关信息的干扰，在每个通道后面配备一个门控模块，降低由于某一个通道权重过大所带来的诊断失误。实验结果表明：该模型有很强的泛化能力以及抗噪能力。 针对卷积神经网络模型超参数确定困难，网络诊断性能不稳定等问题，提出一种基于FSSA优化CBAM-MSCNN的滚动轴承故障诊断模型。首先通过连续小波变换对振动信号进行时频转换，然后利用FSSA优化算法对模型中的卷积核的大小、个数、学习率、批大小等超参数进行寻优，最后使用优化算法寻找到的最优参数重构模型并进行故障诊断实验。实验结果表明：该模型可以避免人为设置超参数的不确定性，具有很好的诊断性能。
NETL