基于卷积神经网络的复杂工况下旋转机械故障诊断方法.pdf

哈尔滨工业大学硕士学位论文

摘要

在工业领域中，旋转机械是应用最多的机械设备之一准确快速地分析并诊断

旋转机械运行过程中出现的故障具有重大的意义。传统的诊断方法存在着需要将

专家先验技术用于故障特性获取的局限性，而迅猛发展的人工智能和云计算技术，

为旋转机械设备的故障诊断开辟了新的途径。在旋转机械中开展深度学习方法的

研究具有重要的理论意义和工程价值。因此，本课题针对以上复杂工况下旋转机械

故障特征提取的难题，进行了如下内容的研究：

针对传统的旋转机械故障诊断方法对专家选定故障特性指标要求成本高、功

效低的问题，研究深度学习在旋转机械故障诊断方法中的应用。建立基于卷积神经

网络（CNN）的一体化故障诊断模型，实现对输入信号的自适应特征提取和识别分

类，完成基于端到端的故障诊断。针对基于CNN的故障诊断方法在噪声环境以及

负载改变的情况下模型的诊断性能会产生变化的问题进行分析，为进一步的研究

奠定基础。

针对旋转机械在噪声环境下故障诊断性能降低的问题，本文提出一种新的基

于自校准注意力模块的卷积神经网络（MSCN）。本文搭建了具有宽卷积核的多尺

度卷积层，形成滤波器级别的高效采样结构，能够从受到噪