杨洪柏，聂 昂 ，张江安，张宏利，刘树林

(1.上海开放大学理工学院，上海 200433) (2.上海大学机械工程与自动化学院，上海 200072) (3.上海工程技术大学高职学院，上海 200437)

智能故障诊断一般包括特征提取和模式识别两个步骤。常用的特征提取技术包括时域统计分析、小波变换、经验模态分解(EMD)和傅立叶频谱分析等。常用的模式识别分类器包括k-最近邻分类器(KNN)、人工神经网络(ANN)或称多层感知器(MLP)、支持向量机(SVM)。对于往复压缩机的智能故障诊断，不少学者在上述技术基础上做了许多探索研究[1-4]。但由于往复压缩机结构复杂，冲击激励源较多，振动信号表现出复杂的随机特性和非线性，有效的特征提取相对困难，故障诊断效果还不够理想，在线故障诊断也很难实施。

深度网络和深度学习的概念被正式提出后，迅速成为研究的热点，依靠强大的学习性能，其在语音识别、图像识别和人工智能等方面取得重要进展[5]。一些研究者尝试使用卷积神经网络(convolutional neural network, CNN)来诊断机械零件的故障[6-12]。CNN最早应用于图像识别并取得较大的成功，它非常适合于输入是2D(二维)数据的计算机视觉应用。在故障诊断问题中，CNN的输入有2D信号(例如频谱图像)，也有1D(一维)信号(例如时间序列信号或频谱系数)。Abdeljaber等[6]提出的模型使用1D振动信号作为输入，它可以执行实时损坏检测。Guo等[7]提出一个分层自适应深度CNN模型，该模型具有两个分层排列的组件：故障确定层和故障大小评估层。Janssens等[8]提出了用于旋转机械状态识别的CNN模型，其输入是所采集信号的快速傅立叶变换(FFT)图谱。……