基于ECA-ResNet與CEEMDAN能量熵的軸承故障診斷

宋振軍，高丙朋，莊國航，劉前進，趙恒輝

(新疆大學電氣工程學院，新疆烏魯木齊 830047)

0 前言

軸承作為最重要的機械部件之一，其健康狀況往往是影響大型設備安全服役的重要因素，因此對軸承的故障診斷一直是科學研究的重點和難點。

近年來，隨著人工智能領域的發展，故障診斷的方法由傳統的機器學習方法逐步向深度學習邁進。深度學習通過建立的深層次模型，實現端對端的故障診斷，克服了傳統機器學習在特征提取與模型訓練方面的缺陷。目前，國內外已有許多學者對基于深度學習的故障診斷進行了研究。JING等利用信號的頻譜作為1D-CNN的輸入，將它應用于齒輪箱的故障診斷。LI等將信號的圖像作為輸入，通過CNN進行遷移學習來進行故障診斷。唐波和陳慎慎利用短時傅里葉變換(STFT)將軸承時域信號轉換為二維時頻譜再輸入到CNN中進行故障診斷。以上研究對深度學習在故障診斷中的發展起到了推動作用，但是仍存在一些不足，例如大多使用單一深度學習模型進行故障診斷，未考慮深度學習在故障診斷中的泛化能力，以及對深度學習模型的使用大多局限于簡單的CNN模型。

針對以上問題，本文作者提出一種基于注意力機制下的深度學習模型(ECA-ResNet)。通過對信號進行建模來提取故障特征，并將完全噪聲輔助聚合經驗模態分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)提取的能量熵與傳統時域信號統計指標作為補充特征來提高深度學習模型的泛化能力；利用最新的麻雀搜索算法(SSA)對支持向量機(SVM)進行優化以進行故障診斷；……