一种基于多尺度核的自适应卷积神经网络用于轴承故障诊断

轴承故障识别与分析是机械故障诊断领域的重要研究方向。针对滚动轴承的常见故障，我们提出一种基于轴承振动特征的数据驱动诊断算法，称为基于多尺度核的自适应卷积神经网络（MSKACNN）。以原始轴承振动信号为输入，MSKACNN 提供振动特征学习与信号分类能力，以识别和分析轴承故障。钢球混装是一种轴承生产质量问题，传统频域分析方法难以识别，因其需要测量信号的高频率分辨率并导致较长分析时间。所提 MSKACNN 被证明可提高钢球混装诊断的效率与精度。为进一步证明 MSKACNN 在轴承故障识别中的有效性，我们开发了轴承振动数据采集系统，并对包括钢球混装在内的五种不同故障条件下的滚动轴承进行了振动信号采集。所得数据集用于分析我们提出模型的性能。为验证 MSKACNN 的自适应能力，还使用了来自凯斯西储大学轴承数据中心（Case Western Reserve University Bearing Data Center）的故障测试数据。测试结果表明，MSKACNN 能以高准确率和强泛化能力识别不同轴承状态。我们将 MSKACNN 实现为适用于生产的实时轴承故障诊断系统的轻量级模块。