雷文平， 吴小龙， 陈超宇， 林辉翼

(郑州大学 机械工程学院 振动工程研究所，河南 郑州 450001)

0 引言

基于SVM的轴承故障诊断本质上是一种模式识别.SVM作为一种经典的分类器，不断地被优化并应用于各种生物信息学、模式识别等问题中[1].Mohammed等提出了基于自适应群体智能(self-adaptive cohort intelligence, SACI)算法的特征选择和SVM模型选择的混合方法，以减小特征冗余从而降低分类计算复杂度，提高SVM的准确性.姚亚夫等[2]将轴承振动信号EMD后得到的瞬时能量熵用于SVM的分类诊断，经过实验验证，该方法能够有效地识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.

从文献[1,2]可以看出，为了提高识别、诊断能力，提取到合理、明显的故障特征是运用SVM进行分类的重要环节.最近，文献[3]提出了一种基于多目标优化(multi-objective optimization, MO)的EMD方法，任子晖等[4]将局部均值分解(local mean decomposition, LMD)加以改进，都取得了更好的特征提取效果.HUANG等[5]运用各阶本征模函数(intrinsic mode function, IMF)的时频熵(time-frequency entropy)实现了对原信号能量分布的准确描述.此外特征提取也可以通过神经网络实现,神经网络能够灵活地处理数据，在模式识别、分类、预测等方面被广泛地应用，在处理工业大数据方面有广阔的应用前景[6]，使机械的故障诊断更加智能化.其中自动编码器(auto-encoder,AE)作为一种无监督的自学习网络，实现了信号的重构与特征提取，三层网络结构使得输出层的编码矢量成为输入层数据的特征表示[7].Hinton等[8-9]提出由深度学习(deep learning, DL)理论构建的DNN，就是先将多个无监督学习的AE串联，构成DNN的多层网络框架进行数据特征提取；……