苗中华，周广兴，刘海宁，刘成良

(1.上海大学 机电工程与自动化学院，上海 200072；2. 上海交通大学 机械与动力工程学院，上海 200240)

重大装备的安全服役与智能维护是我国装备制造业面临的重要课题。相比定期维护及事后维修，基于状态的设备维护(Condition-Based Maintenance, CBM)被认为是目前最有效的维护策略[1]。然而，基于状态的设备维护需要采集多路传感信息，尤其在低转速条件下连续长时间采样，将造成海量冗余数据。如何在海量冗余数据中进行信号有效特征提取是智能维护领域亟需探索的基础理论和关键技术难题。

在铁路系统的常规维护中，工人用铁锤敲击机车车轮，根据敲击声音来判断车轮是否有裂纹；工程领域中经验丰富的维护人员根据机器工作时发出的声音就能够判断机器是否运行正常。上述现象潜在的物理原理是由于零部件损伤改变了其特征频率，进而改变了声音的音色。然而，工程应用领域对这种仅凭听力系统所实现的生物本能诊断能力的运作原理，包括耳朵对声音信号的处理及大脑中诊断知识的建立，却鲜有解释。

Barlow[2]开创性地提出了视神经系统信息处理的一个基本原则是：冗余度压缩(Redundancy Reduction)。进一步地，Földiák[3]将稀疏编码(Sparse Coding)的概念与冗余度压缩建立了联系。基于上述假设性研究，Olshausen等[4-5]首先在《Nature》杂志上发表论文指出：从自然图像中学习出了与哺乳动物初级视觉皮层神经元具有相同特性的基函数，并进一步将稀疏编码解释为诸多生物传感系统信息处理的基本策略。……