郭　亮， 高宏力， 张一文， 黄海凤

(西南交大通大学 机械工程学院, 成都　610031)

基于深度学习理论的轴承状态识别研究

郭亮， 高宏力， 张一文， 黄海凤

(西南交大通大学 机械工程学院, 成都610031)

针对滚动轴承振动数据耦合程度高，信号特征提取和识别模型建立困难的问题，提出了一种基于深度学习理论的状态监测方法。提取振动信号的时域、频域和时频域特征构成特征向量;通过稀疏自编码非监督学习网络对输入向量进行特征学习，并将单层网络叠加构成深度神经网络;最后采用少量有标签数据对整个深度神经网络进行微调训练，建立轴承状态监测模型。试验结果表明，提出的方法对于轴承状态识别准确率达到90.86%，且性能退化阶段识别率最高，能满足视情维修的工程需求。

深度学习；非监督学习；滚动轴承；视情维修

为减少维修时间，提高企业生产效率，机械设备采用视情维修是重要的措施。视情维修的基础是通过加强和完善监测手段，掌握设备的工作状态，及时发现问题并采取相应对策[1]。轴承是机械设备的重要组成部分，据统计，轴承的损坏故障在旋转机械的故障中约占30%，因此，对轴承进行故障诊断与状态监测的研究以提高其视情维修的比重非常重要。

近年来，国内外学者针对滚动轴承状态监测和故障诊断方面进行了大量的研究，取得了一定的成果。研究主要集中在特征提取和状态识别这两部分，这是轴承智能状态监测的核心组成部分。……