刘 冲

（华东交通大学电气与自动化工程学院，江西 南昌330013）

滚动轴承广泛存在于机械设备，由于滚动轴承的工作环境恶劣且噪声情况复杂，故障尺寸微小又难以直接观察，业界普遍采用数据驱动的方式实现故障诊断，但是振动信号易受噪声污染，使得有效特征难以被提取，因此如何提高滚动轴承在复杂噪声环境下故障诊断的准确性，成为了当前研究热点。

随着计算机、传感器的迅猛发展，机械设备的状态检测进入了“大数据”时代[1]。 使得故障诊断技术向深度学习方向发展。 深度学习模型依靠其多个隐含层，在特征提取和分类方面的卓越表现，在故障诊断领域取得了较多研究成果。 Long 等[2]将原始振动信号转换为二维图像，使用LeNet-5 模型对二维图像进行故障诊断。 2016 年Turker 等[3]提出了一种含有3 个改进的卷积层和2 个全连接层的一维卷积神经网络，直接以原始电流信号为输入，准确率达到了97.2%。 Chen[4]提出了一种单卷积层和2 个全连接层的二维卷积神经网络模型，并将算法应用于齿轮箱故障诊断。 张西宁，向宙等[5]用堆叠卷积自编码进行轴承故障诊断，使得诊断精度从79.9%提高到92.1%。 向宙等[6]用改进的区分自编码网络对不同工况下的轴承数据进行诊断，使得所提出的区分型网络的特征提取能力不受工况影响。 虽然很多基于卷积神经网络的研究已经取得较好诊断效果，但仅证明了模型在使用无噪声实验数据的有效性。然而，振动信号易受噪声污染。近……