摘要
旋转机械是现代工业生产中最重要的部件之一，被广泛应用于航空航天、高速列车等现代工业生产设备中。因此，对该类装置的核心部件—滚动轴承进行在线监测和实时诊断，对于保障装置运行的安全性与稳定性有着至关重要的现实意义。近年来，基于数据驱动的智能故障诊断方法得到了广泛应用。然而，在实际工业生产中，旋转机械通常在无故障状态下运行，采集到的故障样本极为有限，致使训练出的故障诊断模型往往会出现过拟合或欠拟合等现象，且可靠性较低。因此，如何使模型在小样本条件下取得较好且稳定的分类效果，已成为目前亟待解决的问题。基于上述问题，本论文以滚动轴承为研究对象，以卷积神经网络和迁移学习为基础，对滚动轴承故障数据的分类方法开展研究工作。主要内容如下： （1）针对滚动轴承传统故障诊断方法在小样本或跨工况条件下精度较低的问题，提出了一种基于马尔科夫转移场和多维卷积神经网络的故障诊断模型。首先使用马尔科夫转移场进行维度变换，将时间相关性保存在时间序列图像中；然后，提出多维注意力机制以同时提取特征通道信息和位置信息，并将其与所提出的E-Relu激活函数一同嵌入多维卷积神经网络中，用以构建多维卷积神经网络模型，在充分提取故障特征信息的同时，加快模型的收敛速度；最后，将所得二维图像输入到模型中，并输出分类结果。所提方法在凯斯西储大学轴承数据集和MFS轴承数据集上进行了实验验证，实验结果表明，所提方法在跨工况及小样本条件下具有更高的故障诊断精度和更强的泛化能力。 （2）针对滚动轴承在小样本及跨工况条件下故障诊断性能不佳的问题，提出一种基于自校准坐标注意力机制与多尺度卷积神经网络的小样本滚动轴承故障诊断方法。自校准坐标注意力机制通过两个并行的信息生成路径分别在通道维度和空间维度上生成不同的权重，并通过自校准操作增大网络的感受野，在有效提升特征辨识度的同时，消除因特征压缩造成的位置信息丢失的问题；同时，构建一种新型多尺度卷积神经网络结构，该结构在提取多尺度特征信息的同时，大幅度减少神经网络模型的参数量，进而节省模型的训练时间。所提方法在两个数据集上进行了故障诊断实验，实验结果证明了该方法的有效性。 （3）为解决实际应用中滚动轴承故障训练样本严重不足的问题，提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先，该模型将挤压与激励网络嵌入到一维残差神经网络中，增加了模型的特征提取能力；其次，使用源域数据对所搭建改进残差神经网络模型进行训练，确定模型结构和参数，并使用L2正则化和Dropout机制抑制过拟合；然后，引入迁移学习，冻结使用源域数据训练好的部分模型参数，使用少量目标域数据对模型的全连接层参数进行微调；最后对不同类别的样本进行分类。该方法在两组不同来源数据集上进行了实验验证，实验结果表明，在不同实验条件下，所提方法与其他方法的实验结果进行比较，其均具有更高的故障诊断准确率和更强的鲁棒性。
NETL