来源：期刊VIP网 时间：
作者：赵运基;张楠楠;周梦林;许孝卓;张新良;
单位：河南理工大学电气工程与自动化学院;
摘要：传统深度学习模型自适应提取振动信号故障特征，实现端到端轴承故障诊断。然而，振动监测信号为非常复杂的非稳态时序信号，若深度网络直接以原始振动信号为输入，数据之间的非线性耦合作用会极大影响模型对故障特征的提取效率。目的 为降低故障信号之间强非线性耦合作用，解决卷积神经网络对空间约束信息丢失的问题，提升轴承故障诊断性能，方法本文提出一种基于数据映射和胶囊网络（capsule network,CapsNet）的轴承故障诊断方法。首先，将图像处理领域中具有细化颜色特征能力的颜色空间模型（color names,CN）引入故障数据预处理中，将原始低维空间数据映射至高维空间，提升故障数据空间区分度；其次，针对映射后数据维度较高且具有一定冗余，影响故障诊断效率的问题，引入主成分分析（principal component analysis,PCA）法提取故障数据主元信息，降低数据维度；最后，考虑到胶囊网络有效提取空间约束信息的能力，将CapsNet作为故障诊断的骨干网络对故障特征进行识别和分类。结果使用CWRU、XJTU-SY数据集对该方法进行验证，实验结果表明，该方法在两种数据集上故障诊断准确率均达98%以上，与其他基于深度学习的故障诊断方法进行对比，该方法的诊断性能具有一定优势。结论 本文方法可对故障数据进行有效解耦，提升数据之间的空间区分度，获得较高的轴承故障诊断精度。
关键词：轴承故障诊断;;颜色空间模型;;数据空间映射策略;;主成分分析;;胶囊网络
基金资助：国家自然科学基金资助项目（61973105,61573130,52177039）;; 河南省高校基本科研业务费项目（NSFRF200504）;; 河南省科技攻关资助项目（212102210145,212102210197,222102220016）
