Page 122 - 《振动工程学报》2025年第8期

1762 振 动 工 程 学 报 第 38 卷

250 μm 的内圈故障这三个类别之间存在明显的特 and depth residual network［J］. Journal of Yanshan Uni‑
征重叠，其余四种类别的故障特征之间相互分离。 versity，2024，48（1）：39-47.
［5］ 刘飞， 陈仁文， 邢凯玲， 等 . 基于迁移学习与深度残差
使 用 NODE 模 型 对 测 试 集 进 行 分 类 ，结 果 如 图 11
网络的滚动轴承快速故障诊断算法［J］. 振动与冲击，
（b）所示，图中七种轴承工况的特征已经聚类明显，
2022， 41（3）： 154-164.
除了正常和故障维度 150 μm 的内圈故障这两个类
LIU Fei， CHEN Renwen， XING Kailing， et al. Fast
别中个别存在特征重叠外，其余五种类别故障特征
fault diagnosis algorithm for rolling bearing based on
之间相互分离。这也呼应了图 10 混淆矩阵中正常
transfer learning and deep residual network［J］. Journal
和故障维度 150 μm 的内圈故障这两种类别之间存 of Vibration and Shock， 2022， 41（3）： 154-164.
在 的 误 判 ，直 观 反 映 了 NODE 故 障 诊 断 模 型 相 较 ［6］ 池福临， 杨新宇， 邵思羽， 等 . 基于深度收缩残差网络
于 ResNet 可 以 更 好 地 对 轴 承 不 同 工 况 进 行 有 效 的 轴 承 变 工 况 故 障 诊 断［J］. 计 算 机 集 成 制 造 系 统 ，
识别。 2023， 29（4）： 1146-1156.
CHI Fulin， YANG Xinyu， SHAO Siyu， et al. Bearing
4 结 论 fault diagnosis under variable working conditions based
on deep residual shrinkage networks［J］.Computer Inte‑
grated Manufacturing Systems， 2023， 29（4）：1146-1156.
本文从神经网络与动力学系统两者相互联系的
［7］ 尚杰 . 基于深度残差网络的旋转机械故障诊断［D］. 青
角度入手，阐明了可以将神经网络视作常微分方程
岛：青岛理工大学， 2021.
的观点，使得神经网络中的黑盒模型具备了可解释
SHANG Jie. Fault diagnosis of rotating machinery
性。之后为了提高模型的准确率，减少模型参数，将
based on deep residual network［D］. Qingdao： Qingdao
残差网络的中间层替换为常微分方程层，构建了神 University of Technology， 2021.
经常微分方程网络模型。并将该模型引入到机械故 ［8］ 侯召国， 王华伟， 周良， 等 . 基于改进深度残差网络的
障诊断领域。以都灵理工大学航空主轴轴承数据作 旋转机械故障诊断［J］. 系统工程与电子技术， 2022，
为试验数据，通过端对端的故障诊断模式，完成了七 44（6）： 2051-2059.
种工况下轴承故障分类的任务。与残差网络模型进 HOU Zhaoguo， WANG Huawei， ZHOU Liang， et al.
Fault diagnosis of rotating machinery based on im‑
行对比，在测试集上提高了故障识别准确率的情况
proved deep residual network［J］. Systems Engineering
下，减少了内存成本并将模型参数减小至残差网络
and Electronics， 2022， 44（6）： 2051-2059.
模型的六分之一，证明了通过使用常微分方程代替
［9］ 秦国浩， 张楷， 丁昆， 等 . 动态宽卷积残差网络的轴承
神经网络起到了优化模型的作用。
故 障 诊 断 方 法［J］. 中 国 机 械 工 程 ， 2023，34（18）：
2212-2221.
参考文献: QIN Guohao， ZHANG Kai， DING Kun， et al. Dynam‑

ic wide convolutional residual network for bearing fault
［1］ LIU R N， YANG B Y， ZIO E， et al. Artificial intelli‑ diagnosis method［J］. China Mechanical Engineering，
gence for fault diagnosis of rotating machinery： a review 2023，34（18）： 2212-2221.
［J］. Mechanical Systems and Signal Processing， 2018， ［10］ 李 亮 . 基 于 神 经 常 微 分 方 程 的 时 序 数 据 分 析 与 预 测
108： 33‑47. ［D］. 成都：电子科技大学， 2021.
［2］ JING L Y， ZHAO M， LI P， et al. A convolutional neu‑ LI Liang. Analyzing and forecasting time-series data via
ral network based feature learning and fault diagnosis neural ordinary differential equations［D］. Chengdu：Uni‑
method for the condition monitoring of gearbox［J］. Mea‑ versity of Electronic Science and Technology of China，
surement， 2017， 111： 1-10. 2021.
［3］ ZHANG W， LI X， DING Q. Deep residual learning- ［11］ CHEN R T Q， RUBANOVA Y， BETTENCOURT
based fault diagnosis method for rotating machinery［J］. J， et al. Neural ordinary differential equations［C］// Pro‑
ISA Transactions， 2019，95： 295-305. ceedings of the 32nd International Conference on Neural
［4］ 时培明，吴术平，于越，等 . 基于注意力机制和深度残差 Information Processing Systems. 2018： 6572-6583.
网络的滚动轴承故障诊断［J］. 燕山大学学报，2024，48 ［12］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual
（1）： 39-47. learning for image recognition［C］// Proceedings of IEEE
SHI Peiming， WU Shuping， YU Yue， et al. Rolling Conference on Computer Vision and Pattern Recogni‑
bearing fault diagnosis based on attention mechanism tion. 2016： 770-778.