動態自適應學習率優化的卷積神經網絡軸承故障診斷方法

高淑芝，裴志明，張義民

（1.沈陽化工大學裝備可靠性研究所，遼寧 沈陽 110142；2.沈陽化工大學信息工程學院，遼寧 沈陽 110142）

1 引言

滾動軸承作為旋轉機械支撐和減摩部件，其故障診斷對于機械設備的安全性和可靠性起著至關重要的作用。意外的軸承故障會使整個機械系統癱瘓，停機時間和維護成本大大增加了運行成本。因此，對軸承故障的檢測至關重要。

由于故障診斷可以看作是一個模式識別問題，人工智能在學術研究和工業應用方面都顯示出巨大的潛力。在基于人工智能的軸承故障診斷方法中，人工神經網絡被研究并應用于故障特征提取和故障分類。文獻［1］利用時域提取的特征識別軸承的狀態，并利用人工神經網絡和支持向量機對軸承故障進行分類；文獻［2］利用小波包變換將加速度信號分解得到的特征作為三層神經網絡的輸入，對滾動軸承故障進行識別、診斷。

在上述方法中，神經網絡作為分類器，仍然依賴于時域和頻域信號處理方法提取的特征。采用基于人工神經網絡的故障診斷方法有兩個主要缺點。首先，這種方法依賴于人工特征提取，而人工特征提取很大程度上依賴于對信號處理技術的先驗知識。其次，神經網絡結構較淺，缺乏足夠的能力來學習故障診斷問題中存在的復雜非線性特征之間的關系。

隨著深度學習的出現和發展，這些問題在一定程度上得到了解決。近年來，基于深度學習的故障診斷方法越來越受到重視，其中最具代表的就是卷積神經網絡。……