先进制造技术

本发明提供一种滚动轴承的故障诊断方法，其包括以下步骤：将采集的滚动轴承的振动信号划分并转换为小波时频图像；对所有小波时频图像处理得到训练集、验证集和测试集；构建深度残差网络；确定训练集中错误标记样本的个数；使用训练集和验证集对预先创建的改进的深度残差网络进行训练和验证，得到验证集上诊断效果最优的诊断模型；使用测试集测试最优的诊断模型，并输出故障诊断结果。该方法利用奇异值分解求解最大值进行降维，能够保留更多的特征值；利用全局奇异值代替全连接层，避免过度拟合；损失函数能够最大化的降低错误标记样本对诊断结果的影响，最后得到的诊断模型对噪声环境的适应性更强，并且故障诊断稳定性更好，诊断结果更加准确。

工业智能化升级需求：随着智能制造和工业4.0的推进，滚动轴承故障诊断技术作为设备健康管理的核心环节，在预测性维护中应用前景广阔，可显著降低停机损失并提升生产效率。

多传感器融合技术发展：结合振动、温度、声发射等多源数据，通过深度学习或边缘计算实现高精度诊断，未来在复杂工况（如风电、高铁）中潜力巨大，推动故障诊断从单一分析向综合感知演进。

边缘计算与实时化应用：嵌入式诊断算法部署在设备边缘终端，能够实现毫秒级故障预警，特别适合航空航天等对实时性要求高的领域，未来或成为工业设备的标配功能。

跨学科技术整合：人工智能（如迁移学习、联邦学习）与故障诊断结合，可解决小样本数据难题，在缺乏历史故障数据的场景（如新型装备）中具有独特优势，推动技术普适化。

(1)本发明在构建故障诊断模型的过程中通过使用最大奇异值代替传统的最大池化或者平均池化，尽可能的保留更多的特征值，提取的特征图中包含更多的特征信息，因此最后得到的诊断模型对噪声环境的适应性更强，并且故障诊断稳定性更好，诊断结果也更加准确。

(2)本发明通过在诊断模型中设置一个包含两个可调参数的损失函数代替传统的逻辑损失函数，诊断模型对噪音标签的适应性更强，在一部分样本标记错误的情况下，仍然能够实现故障轴承高精度的故障诊断，在工业应用中具有非常强的实际意义。

(3)本发明通过一种新的全局奇异值分解自适应策略，将每个特征映射的最大奇异值直接送入softmax层中，以代替卷积神经网络中的全连接层进行分类，不仅更具有可解释性，而且可以防止过拟合现象的发生，保证最终结果的准确性。

(4)本发明对学习率进行了优化，使用动态学习率代替常用的静态学习率。对于神经网络模型，学习率是一个非常重要的参数，会直接影响最终的诊断效果。理想的学习率应在训练开始阶段加快迭代更新的速度，之后在训练过程中慢慢衰减，以免网络模型发生震荡。因此，文本采用了具有动态衰减属性的学习率，使得学习率随着训练进行而逐渐减小，从而能够保证故障诊断模型的稳定性。