基于多尺度卷积神经网络和红外热成像的滚动轴承故障诊断.pdfVIP

智能运维·109·

引用格式：姚杰，顾晓辉，杨绍普，等.基于多尺度卷积神经网络和红外热成像的滚动轴承故障诊断［J］.轴承，2025

（11）：109-117.

YAOJ，GUXH，YANGSP，etal.FaultdiagnosisforrollingbearingsbasedonmultiscaleCNNandinfrared

thermalimaging［J］.Bearing，2025（11）：109-117.

基于多尺度卷积神经网络和红外热成像的

滚动轴承故障诊断

a，bbbb

姚杰，顾晓辉，杨绍普，刘泽潮

（石家庄铁道大学a.机械工程学院；b.省部共建交通工程结构力学行为与系统安全国家重点实验室，

石家庄050043）

摘要：振动分析是滚动轴承诊断故障的常用方法，但一维振动信号包含的信息有限且易受背景噪声的干扰。提

出了一种基于红外热图像和多尺度卷积神经网络（MSCNN）的滚动轴承故障诊断方法，通过红外热成像仪采集

红外热图像，用于表征轴承的运行状态；在LeNet-5网络的基础上构建多尺度特征提取模块并采用LeakyReLU

激活函数，提高模型的特征提取能力。旋转机械故障和铁路轴承故障试验数据的验证结果表明：与振动时频图

像相比，红外热图像具有更好的故障表征能力；与传统的LeNet-5模型相比，MSCNN的诊断精度更高；将红外热

图像与MSCNN相结合能更有效地提取轴承故障特征，获得更高的诊断精度。

关键词：滚动轴承；故障诊断；多尺度；卷积神经网络；时频域分析；红外热成像；特征提取

+.3文献标志码：B

中图分类号：TH133.33；TH165

DOI：10.19533/j.issn1000-3762.202312032

免费获取

［8］［9］

滚动轴承是旋转机械中应用最广泛的部深度特征学习。KANG等提出了一种卷积

［1］DBN模型，可用于变载工况下滚动轴承的多状态

件，在长期承载状态下运行易产生故障，轻则影

［10］

响设备运行，重则造成巨大的经济损失甚至人员识别；LUO等提出了一种改进的SAE模型，提高

伤亡［2］。因此，对滚动轴承进行精确、智能的故障了对原始振动信号的特征提取能力；为提高轴承

诊断，对进一步保证旋转机械设备的可靠运行有故障诊断精度，SU等［11］提出了一种分层分支的

极其重要的作用［3］。CNN模型，可用于分析含噪声的轴承振动信号。

随着人工智能的快速发展，深度学习在轴承上述研究大多基于振动信号，而振动信号的

［4］采集需要将加速度传感器通过磁座、螺栓或粘接

故障诊断中被广泛应用。传统的轴承故障诊断

方法通常基于信号处理和人工特征提取，而以深