化工设备滚动轴承故障的诊断及效果

宋 军

（南京诚志清洁能源有限公司，江苏 南京 211512）

摘  要：为提高化工设备滚动轴承故障诊断的准确性和适应性，对基于注意力机制改进的一维卷积神经网络（ATT-CNN)故障诊断模型进行了研究。首先通过经验模态分解对振动信号进行预处理，提取多频带的本征模态函数，以增强故障特征的区分度；随后构建一维CNN网络，结合卷积层、池化层和批量归一化层实现深层特征提取；进一步引入注意力机制，动态分配特征通道权重，聚焦关键故障信息，抑制噪声干扰。同时，基于公开数据集设计单一工况和混合工况2种验证方案，分析了模型的识别效果。实验结果表明，ATT-CNN在单一工况下的平均诊断准确率达96.8%，显著优于未改进前的CNN网络；在混合工况下平均准确率为91.4%，泛化能力显著优于传统模型。研究可为复杂工况下的化工设备滚动轴承故障诊断提供高效、自适应的解决方案，具有一定的工程应用价值。

关键词：滚动轴承故障诊断；注意力机制；一维卷积神经网络；经验模态分解

滚动轴承作为化工设备中的关键部件，其运行状态直接关系到设备的可靠性与安全性。但在复杂的化工生产环境中，滚动轴承长期承受高负荷、高转速及腐蚀性介质的侵蚀，极易出现磨损、裂纹、剥落等故障。这些故障若不及时诊断和处理，不仅会引发设备停机，严重时还会引发重大安全事故，造成经济损失和人员伤亡。因此，开发高效、精确的滚动轴承故障诊断方法，对于保障化工设备稳定运行、提升生产效率和安全性具有重要意义。在实际生产中，振动信号往往是非平稳、非线性的，传统的故障诊断方法精度已无法满足人们日益增长的需求。近年来，随着深度学习技术的发展，卷积神经网络凭借强大的特征提取能力，被广泛应用于故障诊断领域。但在处理复杂工况时，传统的卷积神经网络模型还存在对关键故障特征敏感性不足的问题。尤其是在化工领域变负载、变转速条件下，振动信号的特征分布会发生显著变化，传统的卷积神经网络模型在识别故障时，还存在精度不足的问题。为此，提出1种基于注意力机制改进的一维卷积神经网络故障诊断模型，旨在为化工设备滚动轴承的智能化故障监测提供可行的技术参考。

……