赵 杰，陈志刚，2，赵志川，张 楠，2

（1．北京建筑大学 机电与车辆工程学院，北京 100044；2．北京市建筑安全监测工程技术研究中心，北京 100044）

随着科技的发展，工业设备逐渐趋于大型化、自动化，大型旋转机械设备在工业生产生活中扮演的角色愈发重要。滚动轴承作为旋转机械设备的重要部件，其工作状态直接影响旋转设备的运行，一旦发生故障，轻则设备停机，重则发生事故，造成人员伤亡。由于轴承运行工况的复杂性，采集的振动信号中所含噪声激励相互掺杂，使得故障特征的提取非常困难［1］。准确的滚动轴承故障诊断，能够用来安排维修计划、延长服役寿命和确保人身安全。

现有的故障诊断算法可以分为两类：一类是基于现代信号处理的诊断方法；另一类是基于深度学习的诊断方法。一般来说，基于现代信号处理方法通过检测采集的振动信号，来分辨与故障相关的振动成分或特征频率，进而确定故障类型［2］。在信号处理方法中，有小波分析、Wigner Ville分布、盲源分离、Hilbert Huang变换、变分模态分解、同步挤压变换等。但由于时频分辨率不高等缺点，Yu等［3］提出同步提取变换，通过提取时频脊线能量，可大大提高时频分辨率，但存在直接提取特征不准确的问题。

目前，随着计算机性能的提升，深度学习方法逐渐应用到轴承故障诊断中来。周兴康［4］利用深度神经网络，提出残差卷积自编码器，用于齿轮箱振动信号特征提取，显著提高诊断率。赵晓平等［5］提出多任务深度学习诊断方法，对轴承及齿轮2种目标同时进行诊断，大大提高诊断效率。……