电动舵传动系统是装备中用于高精度、高响应控制运行轨迹的关键设备系统。舰船电动舵传动系统的传动机构受盐碱环境腐蚀,其轴承等关键零部件出现的故障将对装备安全可靠服役产生重大影响。本文以电动舵传动系统为背景,重点研究低速往复运动的模拟实验台设计及滚动轴承智能故障诊断算法。文章首先提出了针对一维振动信号的多尺度卷积神经网络智能诊断模型,利用西储大学的轴承数据集验证了其优秀性能,并基于某型电动舵传动系统工作原理设计制造模拟电动操舵实验台,进而结合注意力机制及残差理论构建优化诊断模型,最终实现了模拟电动操舵实验台滚动轴承故障的精确诊断。本文的主要工作内容如下:1.基于深度学习中的卷积神经网络理论,提出针对一维振动信号的多尺度卷积神经网络模型及相关超参数设计的准则。基于西储大学滚动轴承数据集构建的多工况样本开展复杂工况对比实验,本文提出的多尺度卷积神经网络获得最佳表现,进一步说明多尺寸卷积核能发掘原始振动信号中更多尺度的特征信息,比单一尺寸卷积核更具优势。2.依据某型电动舵传动系统运行原理,设计制造低速往复运动的模拟电动操舵实验台,实现多位置滚动轴承故障植入及实时振动信号采集。利用多小波变化的多分辨分析能力,针对原始振动信号分解获得的多小波系数构建神经网络输入数据,以降低神经网络模型数据量。3.在多尺度卷积神经网络的基础上,融合注意力机制和残差理论,建立优化的诊断模型。模型将提取于一维原始信号的特征向量转化至二维特征图,利用注意力机制强化敏感信息,并利用残差理论构建更深层网络。根据收敛效果和预测概率等对比分析,优化模型的注意力模块和残差模块能够提高训练效率,聚焦故障关键信息并降低错分的概率。