李凤娟 彭 成 蒋金元

（ 湖南工业大学，湖南 株洲412007）

滚动轴承是工业生产中最常见、最基础的零件，长期处在持续高负荷工作状态，发生故障的概率占到旋转机械设备故障的70%，提高滚动轴承故障诊断的准确率能够显著降低设备故障失效的可能性，以维护设备性能，提升其使用寿命。近年来，针对滚动轴承故障诊断的研究已有很多成果。胡爱军等[1]提出选用拉普拉斯分数自动选取时域、频域以及时频域的敏感特征，运用基于优化核极限学习机的方法实现多种工况条件下的滚动轴承故障诊断。魏乐等[2]提出改进的深度信念网络用于故障诊断，加入Dropout 技术和Adam 优化器提升诊断性能。

用单一的诊断方法可能会导致诊断结果出现偏差，致使最后的识别准确率不高，用多种方法对滚动轴承故障信号数据进行分析并融合多种结果能够避免方法的固有缺陷，得到高精度的识别结果。为此，提出一种基于数据融合的故障诊断方法，分别利用LSTM 和CNN 训练挖掘传感器信号数据的深层故障特征，然后运用D-S 证据理论对训练的数据进行融合输出诊断结果，并通过实验验证方法的有效性。

1 基本理论

1.1 卷积神经网络(CNN)

卷积神经网络是一种经典的前馈型神经网络，能够直接从原始信号数据中通过交替和堆叠卷积层和池化层来自主学习抽象特征表示[3]，非常适合滚动轴承的故障诊断。

CNN 是包含卷积层、池化层和全连接层的深层网络模型，卷积层通过多个卷积核在局部感受野内对输入的图像数据做卷积运算，以实现对整个图像平移不变的多特征提取。……