基于深度学习的滚动轴承故障诊断.pdfVIP

摘要

滚动轴承作为旋转机械的核心部件在各种传动系统中有着广泛的应用。在实

际环境中，轴承极易受复杂工况和动态负载的影响导致其性能衰退或损坏，进而

影响整个传动系统的稳定性，甚至导致灾难性事故的发生。因此，对旋转机械滚

动轴承的故障诊断方法展开研究具有一定的研究意义及实际价值。

随着人工智能、传感技术及物联网技术的发展，基于数据驱动的机器学习技

术在旋转机械故障诊断研究中的关注度显著提高。通过采用深度学习这一先进的

人工智能技术，能够对数据的深层特征进行提取、分析并实施自我学习，从而有

效地实现故障的智能诊断。然而，旋转机械通常在恶劣的环境下运行，因此采集

到的振动信号往往呈现出高度的时变性、非线性以及非平稳性等复杂特性。这些

特性增加了生成模型和故障诊断模型在有效特征提取和故障样本生成方面的难

度。此外，在实际工作环境中，机械运行时采集到的信号往往是正常状态下的振

动信号，而采集到的故障信号较少，这种数据类别的不平衡性进一步加大了故障

诊断的难度。因此，为了解决这些问题，本文对非平稳振动信号的处理、高真实

度数据增强以及基于注意力机制的智能诊断模型构建展开深入研究，主要研究内

容如下：

（1）信号-图像转换。本文采用连续小波变换（CWT），将一维的时序振动

信号转化为二维时频图像。这一方法利用连续小波变换的多尺度分析特性，有效

实现轴承的动态振动信号在二维时频域中的映射，将复杂的时序信息转换为可视

化的图像。经过连续小波变换处理后的时频图像，不仅保留了信号的时间信息，

还增强了频率信息的表达。这种方法在轴承故障特征的提取上表现出更高的准确

性，为机械故障图像的特征提取提供了新的思路，为后续故障诊断领域提供了可

靠且有效的方法和途径。

（2）提出一种基于连续小波变换的数据增强方法（CWT-DCGAN）。考虑

到实际应用中轴承数据样本的不足问题，本论文引入深度卷积生成对抗网络

（DCGAN）对原始样本进行数据增强，通过训练学习并模拟CWT转换后的时频

图像分布，生成与真实样本相类似的伪故障样本。基于CWT-DCGAN的数据增

强方法不仅扩充了训练数据集，有效的解决数据不足的问题，而且提高了模型训

练的稳定性，以及故障诊断模型在实际应用中的泛化能力。

（3）提出一种基于深度卷积生成对抗网络进行数据增强并融合卷积

Transformer的滚动轴承故障诊断方法（CNN-Transformer-CBAM）。为增强模型

对关键信息的提取能力，本文引用CBAM注意力机制模块来提升各通道的特征关

注度。该诊断方法主要是采用CWT-DCGAN来生成高质量的样本进行训练，通

过融合卷积神经网络在局部特征提取方面的优势与Transformer在捕获长距离依

赖关系上的能力进行故障诊断。这种方法不仅提高了生成时频图像的高效处理分

析能力，而且还深入的理解了图像中的复杂模式和层次关系，显著提高模型对轴

承故障状态的识别准确率。最后，在两个不同的轴承数据集上进行对比、分析及

验证，通过实施多组实验，其结果表明本论文所提出的滚动轴承智能故障诊断方

法具有较好的性能，能准确识别出轴承的多种故障模式，识别准确率高于其他诊

断模式。

关键词：故障诊断，连续小波变换，生成对抗网络，卷积神经网络，Transformer

Abstract

Asthecorecomponentofrotatingmachinery,rollingbearingsarewidelyusedin

varioustransmissionsystems.Intheactualenvironment,thebearingiseasilyaffected

bytheinfluenceofcomplexworkingconditionsanddynamicloads,resultinginthe

performancedegradationordamage,whichinturnaffectsthestability