摘要
滚动轴承作为机械设备的核心零部件之一，广泛应用在车辆、重型机械、高端精密机床等领域，因此滚动轴承故障诊断是机械设备维护的重要问题。目前，传统的诊断方法主要是基于振动信号的分析和特征提取。然而，这种方法需要检测人员具有丰富的经验和技能，并且诊断效率较低。随着深度学习技术的快速发展，基于卷积神经网络的轴承故障诊断方法逐渐成为研究的热点。但是，现有的故障诊断方法存在一些问题，例如网络结构复杂、训练参数庞大、训练时间长、收敛速度缓慢、模型泛化性弱等。本文针对以上问题，提出并构建了一种基于轻量级卷积神经网络的轴承故障诊断模型。主要研究工作如下： （1）建立滚动轴承数据集。本文数据集来自美国凯斯西储大学（CWRU）滚动轴承中心提供的轴承数据，采用时频分析方法中具有代表性的小波变换对CWRU数据集进行数据预处理，将原始振动信号转为时频图，建立滚动轴承时频图像数据集。 （2）提出一种结合改进ShuffleNetV2模块和CBAM注意力机制的轻量级卷积神经网络。对ShuffleNetV2基本单元进行改进，通过裁减掉部分冗余卷积层，降低模型参数量，堆叠连续两个深度卷积层扩大模型感受野，引入CBAM注意力机制等操作对模型进行改进和优化。 （3）针对滚动轴承在迁移学习中的强噪声和变负载工况下故障诊断效果不佳、泛化能力差的问题，引入自适应批量归一化（AdaBN）算法。加入AdaBN算法后的CBAM-ShuffleNetV2模型与目前深度学习领域主流算法及原始ShuffleNetV2相比有效提高了抗噪性以及变负载自适应性，同时大大减少了模型参数量、计算量及运行时间。
NETL