引言研究意义和国内外研究现状

0引言

  在机械设备中，滚动轴承主要用于支承机械旋转 体、 减小轴系运转摩擦力， 起到高精度回转传动作用，它已被广泛地应用在工程机械、 航空航天、石 油化工、船舶等重要国计民生领域。 但其大多工作在高湿、高温、高速或重负载等恶劣环境，导致其故障率很高，这是工业领域中一个非常重要的问题，它直接影响到机械设备的性能、安全性以及维护成本。
传统的滚动轴承故障诊断通常基于振动信号分析、声音识别、温度监测等技术，但这些方法可能存在灵敏度不足、需要专业知识解读、对环境条件敏感等问题。深度学习技术的引入为滚动轴承故障诊断带来了新的可能性和潜力，其研究内容和意义主要包括以下几个方面：1.特征提取和模式识别：深度学习模型能够自动从原始数据中学习到高层次的特征表示，从而克服传统方法中需要手工设计特征的限制。通过训练深度神经网络来识别不同类型的滚动轴承故障模式，可以提高诊断的准确性和鲁棒性。2.多源数据融合：滚动轴承的故障往往表现为多种不同类型的信号变化，如振动、声音、温度等。深度学习模型能够有效地融合多源数据，并从中学习到更全面、更准确的故障特征，提高诊断的综合性能。3.实时监测与预测：深度学习模型可以实现对滚动轴承状态的实时监测和预测，及时发现潜在的故障迹象，预防设备停机和损坏，降低维护成本，提高生产效率。4.智能诊断系统的构建：基于深度学习的滚动轴承故障诊断技术可以集成到智能化的监控系统中，实现自动化的故障诊断和健康管理。这将为工业生产提供更可靠的保障，提高设备的可用性和可靠性。5.知识沉淀与迁移：通过深度学习模型对滚动轴承故障诊断进行研究，可以积累大量的数据和经验，形成对故障特征的深入理解和知识沉淀。这些知识可以进一步迁移到其他类似领域的故障诊断任务中，推动工业智能化技术的发展。
  目前，国内外很多学者通过卷积神经网络对滚动轴承故障信号进行了处理和分析。2006年 Hinton 等人首次提出了深度学习理论。Gundewar 等人设计出将一维振动信号转换成二维时频图像，再将图像输入到卷积神经网络训练分类故障类别。Li等人采用改进后的卷积神经网络模型对划分后的二维图像集进行训练提取时频图像的深层特征；最后，将提取的特征向量输入到布谷鸟算法优化参数后的支持向量机分类层中，实现滚动轴承的故障分类,提高了对故障二维小波图的诊断泛化性。
随着深度神经网络的进一步的研究，2023年，Dong等人，使用并行大核注意力机制实现对不同维度的故障特征的提取，最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。Cai等人后利用三阶太格能量算子（Third-Order Teager Energy Operators,TOTEO）对故障信号中的冲击特征进行增强，突出每个故障信号的特性。直接将一维故障数据集引入CNN模型中进行故障分类，提高了准确率。
  2024年，Zheng等人提出了MicroNet-RedNet新型网络，利用MobileNetV3网络的h-swish激活函数和Squeeze-and-Excitation模块对RedNet进行改进处理，提出Mobile-NetV3-RedNet新型网络，将原本用于二维图像的模型改进为处理一维数据。Jia等人提出一种基于混合域残差注意力网络的故障诊断方法,结合深度卷积神经网络自动学习表示的优点,并配合通道注意力机制和空间注意力机制的关键特征提取能力,提高了故障检测性能。
  通过已有的研究发现，通过对一维振动的处理会比通过一维数据转二维时频图更加有效率和具有更高准确率，因此在未来的滚动轴承故障诊断领域也将是更加向直接处理一维数据方向发展。