李晓花 江星星

1(商丘职业技术学院 河南 商丘 476000)2(苏州大学城市轨道交通学院 江苏 苏州 215137)

0 引 言

随着科学技术的迅速发展，现代旋转机械呈现出高速、大规模化、集成化的特点，并在不同行业中起着越来越重要的作用[1]。滚动轴承不仅是旋转机械中最重要的部件，也是一种易受损部件，因此，能够自动、及时地识别轴承运行状态对于减少意外停机和经济损失变得越来越重要[2]。

智能诊断是近年来机械故障检测技术的新的发展趋势，它能够有效地分析收集到海量数据，并自动提供可靠的诊断结果[3-4]。在各种智能诊断方法中，人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)是近几十年来应用最广泛的两种方法[5-6]，但它们的诊断性能在很大程度上依赖于特征提取和选择，如何针对不同的诊断任务从原始特征集中选择最敏感的特征向量是限制上述方法的关键问题。因此，亟需发展一种深度架构，能够实现对原始振动数据的无监督特征学习。

DAE是一种无监督的特征学习模型，由于其兼容性较强得到了广泛的关注。然而，将标准DAE直接应用于轴承智能故障诊断还是存在着一定的难度。因为在实际工程中，从轴承收集到的振动信号往往十分复杂，噪声较大且不稳定，而标准DAE的激活函数Sigmoid函数很难建立轴承各种状态与振动信号之间的映射关系[7]。小波函数能够通过改变尺度因子和位移因子，具有良好的时频局部化特性和聚焦特征，并且成功地作为新激活函数构建了所谓小波神经网络[8]。……