摘要
基于信号分析的智能故障诊断方法在轴承故障诊断中已得到广泛应用。这类方法通常采用预设的变换技术（如经验模态分解、快速傅里叶变换、离散小波变换）将时序信号转换为频域信号，而诊断系统的性能在很大程度上依赖于所提取特征的质量。然而，特征提取过程往往耗时较长，且高度依赖专业的信号处理知识。尽管已有部分研究提出了高精度的算法，但其诊断结果仍严重依赖于大规模数据集以及主观性较强的专家分析，存在可靠性不足的问题。为此，本研究提出一种自动特征学习神经网络模型，该模型直接以原始振动信号作为输入，通过两个具有不同卷积核尺寸的卷积神经网络，从原始数据中自动提取多尺度的频率域特征。随后，利用长短期记忆网络（LSTM）根据所学习到的特征识别故障类型。在输入网络前对数据进行下采样处理，显著减少了模型参数数量，提升了计算效率。实验结果表明，所提出的方法不仅实现了98.46%的平均诊断准确率，优于部分基于先验知识的先进智能算法，而且在噪声环境下的鲁棒性表现更优，展现出良好的实际应用潜力。