摘要
轴承故障是常见的电机故障之一，对其诊断方法的研究具有重要的意义。随着大数据时代的到来，传统的诊断方法需要大量专家经验和人工特征提取，不利于电机机组的实时故障监测和智能运维。本文针对该问题，提出了基于卷积神经网络的电机轴承故障诊断方法，能自动提取故障特征，具有较高的故障识别性能。 （1）详细介绍了轴承故障诊断方法的研究现状，介绍了卷积神经网络的发展、原理以及应用。提出基于一维时域振动信号的电机轴承故障诊断流程，构建一维卷积神经网络，通过训练带标签的样本自动提取故障特征，能高精度识别故障，实验结果表明了卷积神经网络的可行性。 （2）将一维时域信号转化为二维灰度图，构建二维卷积神经网络，引入数据增强技术提升有效样本数量，添加正则项使过拟合得到有效抑制。该方法有效利用卷积神经网络在视觉领域的图像处理优势，提高了诊断速度和诊断精度，并且通过优化方法提升了模型的泛化能力。 （3）结合时频域分析方法，对样本中的振动信号进行小波变换，构建基于时频图的二维卷积神经网络，通过控制变量法确定模型的最优超参数。此外，向模型引入迁移学习，解决变工况下有效样本不足时诊断精度不高的问题，提升模型实际应用中的故障识别能力。 （4）对本文提出的两种二维神经网络进行可视化研究。首先对两种模型实现了中间输出的可视化，得到了网络每一层学习到的特征图。其次，利用TensorBoard框架实现了本文提出模型的框架结构可视化、指标监测可视化以及激活参数可视化，并对可视化结果进行了分析。通过可视化技术，研究了卷积神经网络在故障诊断过程中的内部机理和运行原理。 本文所提出的模型均具有较高的故障识别性能和较强的泛化性，对电机轴承故障诊断研究提供了新的思路。
NETL