短時傅里葉變換結合DRSN 的滾動軸承故障診斷研究

摘 要： 針對滾動軸承在復雜噪聲環境下故障分類困難等問題，文章提出一種短時傅里葉變換（STFT）和深度殘差收縮網絡（DRSN）相結合的軸承故障診斷方法。首先利用短時傅里葉變換對滾動軸承原始振動信號進行時域頻域處理得到信息更豐富的故障時頻圖樣本，分為訓練集和測試集；將軟閾值模塊引入到深度殘差網絡殘差塊中，其中的殘差連接和軟閾值模塊能夠濾除噪聲并提取樣本特征中的有效信息，輸出到分類器上完成端對端的高準確率軸承故障分類。為驗證所提方法的可行性，將該方法與其他模型作對比，實驗結果表明，該方法在強噪聲干擾下能表現出較高的分類性能，穩定性優于其他模型。

關鍵詞： 滾動軸承; 故障分類; 深度殘差收縮網絡; 軟閾值化; 短時傅里葉變換

中圖分類號： TB9 文獻標志碼： A 文章編號： 1674–5124（2024）10–0136–06

0 引 言

旋轉機械在工業生產和社會生活中廣泛使用，如果發生故障，不僅會影響工業生產的效益，給國家和企業造成經濟損失，而且會威脅到人們正常生活和工作的安全。而滾動軸承作為旋轉機械的關鍵部件之一，其相關組件在機械生產中廣泛使用，又長期工作在高速、重壓、變工況、強噪聲等復雜環境下，如果不加以預防和維護，很容易誘發生產事故。因此開展對滾動軸承的故障診斷研究十分重要[1]。

現有的方法主要包括基于信號處理的方法[2]和基于機器學習的方法[3]。基于信號處理的方法通過挖掘振動信號特征信息來實現故障診斷，通常是針對振動信號、光信號和電信號的研究。然而，其研究需要積累相當程度的專業知識，這無疑加大了研究人員利用軸承信號處理軸承故障的難度。另外，在實際環境中，早期振動信號容易被強噪聲所淹沒。因此，在實際復雜多變環境下，基于信號處理的方法往往很難做出相對準確的故障診斷[4]。而基于機器學習的智能診斷方法則可以在不需要故障相關特征頻率和先驗信號知識的情況下完成故障診斷任務，其通過提取大量的故障樣本特征來訓練網絡模型實現故障診斷。近年來，基于此的深度學習方法[5] 迅速發展，在故障診斷領域表現出色。深度學習模型通過使用多層網絡將數據特征逐層非線性映射到新特征空間，使其逐漸形成層次化、分布式的抽象表達，從而達到更高的故障診斷精度。金余豐等[6] 結合殘差網絡與注意力機制，對滾動軸承振動信號提取特征，并利用雙向長短時神經網絡（LSTM）調節模型權重，取得優異表現。楊健等[7] 使用改進對抗遷移學習算法降低數據間的分布差異，并通過大卷積核抑制噪聲干擾， 以提高模型抗干擾能力。Huang 等[8] 從特征提取和故障發生時滯出發，結合LSTM 組合滑動窗口，處理多元時間序列中的特征信息和時滯信息，提高故障診斷精度和噪聲敏感性。Shao 等[9] 提出一種具有小波函數的堆疊小波自編碼器結構，用于多感官數據融合和維護策略的靈活加權分配，對噪聲振動信號表現出良好的診斷性能。

以上方法在滾動軸承故障診斷方面取得了亮眼的表現，但考慮到軸承機組在實際運行環境下，存在較強噪聲干擾嚴重影響軸承診斷效果。所以，本文融合深度學習方法和傳統信號分析理論，提出一種基于短時傅里葉變換（STFT）和深度殘差收縮網絡（DRSN）的滾動軸承故障診斷方法。該方法首先使用短時傅里葉變換獲得更豐富的時頻域特征，其次在深度殘差網絡（DRN）的權重層后引入軟閾值模塊增強網絡自適應設置閾值濾除噪聲信息的能力，后端連接全連接層和Softmax 分類器實現滾動軸承故障分類。