摘要： 针对在多传感器下变转速且带有不同程度噪声的工况下故障特征被淹没的问题，提出一种基于改进卷积长短时记忆网络(Convolutional LSTM, ConvLSTM)的故障诊断方法：首先将多个传感器采集的一维振动信号切分为二维矩阵序列；再利用由改进ConvLSTM单元构成的特征提取层提取信号内的时间特征和空间特征，改进ConvLSTM单元是将传统ConvLSTM单元输入门中的普通卷积换成膨胀卷积，在相同的卷积核其有更大的感受野读取输入信息；最后通过由卷积层和全局平均池化(Global Average Pooling，GAP)构造的分类输出层得到诊断结果。试验使用CWRU滚动轴承数据集和XJTU-SY滚动轴承数据集进行验证。试验结果表明，与其他对比模型相比，改进ConvLSTM模型在变转速且带有不同程度噪声下达到较高的精确率并且受样本量的影响更小。

关键词: 故障诊断, 滚动轴承, 变转速工况, 深度学习, ConvLSTM