李泽东， 李志农,， 王成军

（1. 南昌航空大学 无损检测技术教育部重点实验室，南昌 330063；2. 安徽理工大学 矿山智能装备与技术安徽省重点实验室，安徽 淮南 232001）

引 言

随着在工业中，滚动轴承作为机械装备中必不可少的零部件，不仅是单故障，其复合故障的发生比例往往很大，且不易诊断，因此对滚动轴承复杂工况下进行故障诊断研究具有重要意义。

近年来，基于深度学习且以数据驱动的滚动轴承状态监测和故障诊断已经被广泛应用。文献[1]利用深度卷积神经网络结合峭度的方法对轴承的正常和单故障4种工况进行故障诊断。文献[2]通过改进循环神经网络对轴承的单故障工况进行诊断。文献[3]通过深度卷积神经网络结合支持向量机对轴承单故障不同程度的损伤进行故障诊断。文献[4]通过S变换和深度学习的结合对轴承单故障不同程度损伤进行故障诊断。文献[5]构建自适应深度信念网络对滚动轴承的单故障进行诊断。然而，这些基于深度学习的故障诊断方法都是对轴承的单故障工况诊断进行研究，并没有考虑滚动轴承多故障复合的情况。而在实际中，轴承又以多故障并存的形式发生。

对于轴承的复合故障诊断，多数研究为对轴承的复合故障信号进行经验模态分解[6-8]，变分模态分解[9-10]，盲源分离[11-12]对轴承复合信号进行分解，从而对源信号估计，再采用特征提取结合支持向量机，人工神经网络等模式识别的方式进行诊断。这些方法针对轴承复合故障信号时存在一些不足，难以估计轴承复合故障的源信号；……