基于高斯滤波与多尺度CNN的抗噪轴承故障诊断方法

针对滚动轴承在强背景噪声环境下故障诊断性能不佳,已有基于深度学习和降噪处理的故障诊断模型规模较大,复杂度较高导致难以实际部署的问题,提出一种基于高斯滤波(Gaussian-filter)和多尺度卷积神经网络(MultiScale Convolution Neural Network,MSCNN)的滚动轴承故障诊断方法,可在噪声环境中实现低复杂度、高精度的故障诊断,并对不同负载情况具有高鲁棒性。该方法首先构造适应不同信噪比的最佳滤波核,然后对有噪信号进行降噪处理,最后使用MSCNN自适应提取信号多尺度特征,实现多类别故障诊断。实验结果表明,与当下最先进的各种故障诊断方法相比,该方法在各种强度噪声下均具有较高故障诊断精度,且在时间和空间维度上具有较低的复杂度,有望在工业生产中得到实际应用。