摘要：【目的】深度學(xué)習(xí)方法在滾動(dòng)軸承故障診斷領(lǐng)域的應(yīng)用十分有效，但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)由于采用單一尺度的卷積核而無(wú)法多尺度提取特征，且并未考慮到不同特征在故障診斷中的重要程度，滾動(dòng)軸承信號(hào)在噪聲干擾下的故障特征提取較為困難。為此，提出了一種基于參數(shù)優(yōu)化變分模態(tài)分解（Variational Mode Decomposition， VMD）降噪，并用以注意力機(jī)制改進(jìn)的GoogLeNet 網(wǎng)絡(luò)進(jìn)行診斷的滾動(dòng)軸承故障診斷方法?！痉椒ā恳跃植繕O小包絡(luò)熵為適應(yīng)度函數(shù)，采用麻雀搜索算法（SparrowSearch Algorithm， SSA）對(duì)VMD參數(shù)組合[ K，α ]進(jìn)行尋優(yōu)；利用優(yōu)化后的VMD算法分解軸承振動(dòng)信號(hào)，得到若干模態(tài)分量，根據(jù)包絡(luò)熵和峭度篩選故障特征豐富的模態(tài)分量，進(jìn)行信號(hào)重構(gòu)；以重構(gòu)信號(hào)構(gòu)建特征矩陣并輸入經(jīng)改進(jìn)的GoogLeNet 網(wǎng)絡(luò)中完成診斷?！窘Y(jié)果】試驗(yàn)結(jié)果表明，在不同噪聲背景下，該方法診斷準(zhǔn)確率為95. 5%～99. 8%，比其他方法噪聲魯棒性更好。

關(guān)鍵詞：滾動(dòng)軸承；變分模態(tài)分解；麻雀搜索算法；卷積神經(jīng)網(wǎng)絡(luò)；故障診斷；注意力機(jī)制

中圖分類號(hào)：TH133.33 DOI：10. 16578/j. issn. 1004. 2539. 2025. 01. 020

0 引言

旋轉(zhuǎn)機(jī)械是現(xiàn)代工業(yè)、民用和軍事應(yīng)用中最常見(jiàn)的機(jī)器類型，由于長(zhǎng)期處于高負(fù)載等苛刻的工況下，發(fā)生故障無(wú)可避免。如果不能及時(shí)診斷故障，可能會(huì)造成整個(gè)系統(tǒng)停機(jī)，甚至造成人員傷亡[1]。因此，研究新的高精度的故障診斷方法，實(shí)現(xiàn)對(duì)軸承的實(shí)時(shí)健康監(jiān)測(cè)和故障診斷，對(duì)降低機(jī)械設(shè)備維護(hù)成本、減少事故的發(fā)生具有重要意義。

由于實(shí)際工況復(fù)雜多變等原因，滾動(dòng)軸承振動(dòng)信號(hào)往往呈現(xiàn)出非線性、非平穩(wěn)性、信噪比低等特點(diǎn)，從而導(dǎo)致信號(hào)故障特征提取困難。因此，研究如何從帶噪信號(hào)中提取出有效的特征信息，可以顯著提升故障診斷準(zhǔn)確率。常用的信號(hào)處理方法有經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）、集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）、局部均值分解（Local Mean Decomposition，LMD）等，但以上方法均受模態(tài)混疊和端點(diǎn)效應(yīng)的影響[2]。變分模態(tài)分解（Variational ModeDecomposition， VMD）具有可靠的理論基礎(chǔ)，能夠有效抑制端點(diǎn)效應(yīng)和模態(tài)混疊。但VMD算法的參數(shù)組合[ K，α ]的選取嚴(yán)重影響算法效果。陳維望等[3]利用VMD信號(hào)并從所選分量中提取特征，輸入經(jīng)優(yōu)化的SVM中進(jìn)行故障分類。但通過(guò)經(jīng)驗(yàn)選取VMD 參數(shù)組合[ K，α ]容易造成分解效果不佳。李魁等[4]以皮爾遜相關(guān)系數(shù)優(yōu)化模態(tài)個(gè)數(shù)K，但其沒(méi)有考慮到懲罰因子α 對(duì)分解效果的影響。

深度學(xué)習(xí)方法具有非線性特征提取能力強(qiáng)、可實(shí)現(xiàn)端到端的故障診斷等優(yōu)點(diǎn)，成為智能軸承故障診斷領(lǐng)域的一個(gè)有前景的工具。CHEN等[5]為了解決CNN網(wǎng)絡(luò)參數(shù)設(shè)置復(fù)雜等問(wèn)題，提出基于改進(jìn)粒子群算法和第一層寬核卷積神經(jīng)網(wǎng)絡(luò)（IPSO-WCNN）的故障診斷方法，利用改進(jìn)粒子群算法對(duì)第一層寬核卷積神經(jīng)網(wǎng)絡(luò)（WCNN）關(guān)鍵參數(shù)進(jìn)行優(yōu)化，并通過(guò)試驗(yàn)證明了該方法的性能。SHANG等[6]將深度置信神經(jīng)網(wǎng)絡(luò)運(yùn)用于滾動(dòng)軸承故障診斷，取得了良好的效果。上述方法證明了深度學(xué)習(xí)方法在滾動(dòng)軸承故障診斷領(lǐng)域的有效性。但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)由于采用單一尺度的卷積核而無(wú)法多尺度提取特征，且并未考慮到不同特征在故障診斷中的重要程度。

針對(duì)上述問(wèn)題，本文提出了一種基于參數(shù)優(yōu)化VMD降噪和SEGoogLeNet 相結(jié)合的滾動(dòng)軸承故障診斷方法。用麻雀搜索算法（Sparrow Search Algorithm，SSA）優(yōu)化VMD算法，解決VMD參數(shù)選擇困難的問(wèn)題；以具有多尺度特征提取能力的GoogLeNet 網(wǎng)絡(luò)進(jìn)行診斷，克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)特征提取尺度單一的問(wèn)題；引入注意力機(jī)制，使該網(wǎng)絡(luò)關(guān)注對(duì)故障診斷幫助更大的特征。試驗(yàn)結(jié)果表明，該方法具有較高的故障診斷精度，且在強(qiáng)噪聲環(huán)境下也具有良好的診斷性能。