基于深度学习的矿井滚动轴承故障诊断方法

滚动轴承作为机械设备中的零件之一，已在采煤机、提升机和通风机等矿用机械设备中得到广泛应用。然而，由于煤矿机械设备工作环境恶劣，使得滚动轴承故障频发，如果不能及时发现故障并进行后期维护，不仅会损坏电动机本身，而且会影响整个系统的正常运行，导大经济损失，甚至威胁人员生命安全。因此，滚动轴承故障检测的准确高效对提高煤矿安全生产具有重要意义。

传统的智能故障诊断方法在早期较为流行，然而其十分依赖信号处理和专家经验，很难自主挖掘海量数据中的有效信息。为了解决这一问题，深度学习方法逐渐走进人们的视野，针对齿轮箱故障提出了一种多信息融合的卷积神经网络（Convolutional Neural Networks， CNN）诊断模型，利用多个卷积层和**池化层，解决了传统人工选择特征向量的问题；结合Inception 模块和卷积注意力模块（Convolutional Block Attention Module，CBAM）获得多尺度故障特征信息，进一步拓宽分支网络结构，提高了网络表达能力。但是卷积结构采用标量神经元，未能考虑特征间的关联，所以网络中没有可用的空间信息，导致故障特征提取不全面，影响诊断准确率。对此，提出了具有动态路由算法的胶囊网络，通过计算向量神经元的模长进行分类预测，打破了传统标量神经元传递信息的片面性。近年来，胶囊网络展现出*的细节特征提取能力，已在机械设备故障诊断领域崭露头角，把胶囊网络运用到齿轮箱故障检测，利用门控循环单元初步提取特征后，采用胶囊网络关注更多细节信息，取得了较好的诊断效果；提出了一种基于随机法则的深胶囊网络，验证了胶囊网络在不同载荷、不同背景噪声下对轴承故障诊断具有良好的诊断效果及较强的鲁棒性。为了更好地利用神经网络在机器视觉中的优势，可以将一维振动数据通过编码转换为二维图像后，再输入神经网络进行学习。将原始振动信号转换为二维灰度图像，输入CNN 中进行故障诊断，取得了较好的诊断效果，但该方法并未考虑信号的时间相关性，模型还有一定的改进空间。采用连续小波变换构造二维时频图像，再输入所建立的生成对抗网络模型中，实现齿轮箱故障诊断，虽然其可以表达信号的局部时频特征，但选取合适的小波基有一定的困难，存在故障信息丢失问题。对此，可以利用马尔可夫转移场（Markov Transition Field，MTF），其通过考虑每个分位数与时间步长之间的依赖关系，保留了原始信号的时间相关性，且编码方式的映射是一一对应关系，避免了一维信号重要信息的丢失。提出一种MTF 与CNN 相结合的故障诊断方法，但常规CNN 会随着网络深度加大而出现梯度弥散等问题，导致模型难以训练。使用MTF 对振动信号进行编码，然后输入深度残差网络进行故障诊断，实验在公开数据集上取得了较好的诊断效果，但并未验证模型在变工况及存在噪声污染时的诊断性能。

针对传统CNN 在煤矿井下等复杂环境中难以充分挖掘数据特征的问题，本文提出一种基于MTF和双通道多尺度卷积胶囊网络（Dual-channelMultiscaleConvolutional Capsule Network，DMCCN）的滚动轴承故障诊断方法。为保留原始信号的时间依赖性，采用MTF 对振动信号进行编码，并采用灰度图转换，兼顾原始信号的动态和静态特征；根据双通道输入，将2 组特征图分别通过二维卷积层提取浅层特征后进行特征融合，减少信息损失；同时，引入Inception 模块，聚焦多尺度特征，加强网络的特征提取能力；通过胶囊层进行向量化处理，采用动态路由算法计算特征向量相似度，进而实现故障诊断与分类。