蒋黎明，李友荣，徐增丙,2，鲁光涛

(1.武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉，430081；2.华中科技大学数字制造设备与技术国家重点实验室，湖北 武汉，430074)

滚动轴承是旋转机械中最常见和最关键的零部件之一，及时准确地掌握其故障损伤情况，对保障机械设备安全运行、避免经济损失和灾难性事故具有重要的意义。故障诊断的本质就是模式识别，而深度学习作为机器学习研究中的一个新领域，近年来已成功应用于计算机视觉[1]、语音识别[2]等模式识别领域。与一般的神经网络和机器学习模型相比，深度学习可以更精确、高效地解决复杂问题[3]。深度置信网络(deep belief network，DBN)是最具代表性的深度学习技术之一，在故障诊断中的应用越来越多。Tamilselvan等[4]提出一种基于DBN的多传感器故障诊断方法，并运用于飞机发动机和电力变压器的故障诊断。Chen等[5]将稀疏自动编码机(SAE)和DBN相结合进行轴承故障诊断，先从不同传感器振动信号中提取15种时域特征和3种频域特征，输入到SAE中进行特征融合，再利用得到的融合特征向量训练DBN。陶洁等[6]提出基于Teager能量算子(TEO)和DBN的滚动轴承故障诊断方法，用TEO提取滚动轴承振动信号中的瞬时能量，输入到采用层次优化算法调整参数后的DBN模型中进行故障识别。张淑清等[7]提出基于双树复小波(DTCWT)和DBN的轴承故障诊断新方法，先用DTCWT将信号分解，进而提取能量熵作为故障特征，采用DBN小样本模型对故障进行分类。

虽然DBN已经广泛应用于故障诊断领域，但仍然存在以下两方面问题：①大多数研究仅将DBN作为一个分类器，且需要人工提取故障特征参数作为DBN的输入，因此未能充分利用DBN的特征提取能力；……