摘要
传统的轴承故障诊断方法设计耗时、经验要求高，这使得轴承故障诊断成为了一个具有挑战性的问题。为了解决这一问题，本文在深度学习的基础上提出了一种基于BiLSTM和深度残差收缩网络的双流轴承故障诊断算法。主要工作如下： （1）针对一维数据的时序性，本文提出了一种基于SENet和BiLSTM结合的轴承故障诊断模型，该模型利用BiLSTM具有双向传递性的特点，可以同时考虑序列的前后关系，对于轴承运行数据这类时间序列数据非常适用。此外，该模型还采用了注意力机制来自动学习数据中与轴承故障相关的特征。证明了注意力机制可以帮助模型更加准确地定位与轴承故障相关的信息。 （2）针对卷积神经网络在图像处理任务中表现出色的特点，本文将轴承数据转化成二维灰度图像作为输入；同时，为了解决卷积神经网络中可能出现的梯度爆炸和梯度消失问题，引入深度残差收缩网络，提出了一种基于二维灰度图像的深度残差收缩网络轴承故障诊断算法，该网络结构在传递信息的过程中，能够有效地缓解梯度消失问题，并且能够通过残差跳跃的方式提高信息的传递效率。此外，该网络还兼容了残差模块和软阈值，并引入了注意力机制，以针对噪声进行自动调整阈值，进而达到降噪的目的。为了验证该算法在不同工况下的诊断准确率，设计了变负载和变噪声实验。实验结果表明，该模型在设备零部件和实际环境中生产设备的多工况故障诊断识别中具有良好的精确性。 （3）为了充分利用不同类型网络提取的信号特征，本文提出了一种结合一维时序信号和二维图像的双流网络模型。该网络模型采用了前两章提出的一维和二维网络模型，分别用于处理时序信号的时域信息和图像的空间和频域信息。本文将二维灰度图像替换为蕴含更深层次信息的小波时频图，在不同数据集下进行多组对比实验，评估了采用单一网络模型和双流网络模型的算法在故障诊断性能上的表现。实验结果表明，采用双流网络模型在噪声影响下的鲁棒性更优，更适合于解决样本在工作环境杂乱条件下的故障诊断问题。 本文提出的模型在滚动轴承故障诊断研究方面具有较高的故障诊断识别性能和较强的鲁棒性。这些模型为滚动轴承故障诊断领域带来了新的思路和方法，为实际工程应用中的滚动轴承故障诊断提供了有力的支持。
NETL