许爱华，杜 洋，段玉波，许瀚锋

(1.东北石油大学电气信息工程学院，黑龙江 大庆 163318；2.国网山东省电力公司临邑县供电公司，山东 德州 251500)

0 引言

由于轴承在电机运行中的重要作用与地位，以及轴承故障诊断的复杂性，使电机轴承故障诊断成为了电机故障诊断研究领域的一个热点课题。之前的很长一段时间内对于轴承故障诊断工作的主流方案多是从为了有效的特征信息提取出发，通过采用各种有效的特征提取算法，对采集到的轴承振动信号进行多样的预处理，进而通过选择合适的分类模型对故障类型进行分类。受限于特征提取算法对于人工干预与专家经验介入的依赖，目前所使用的轴承故障分类方法的可靠性与准确性较低。

随着机器学习的进一步发展及深度学习的再次火热，目前部分学者开始将其与轴承故障诊断工作结合起来进行研究。郭亮等[1]通过提取时域、频域以及时频域特征输入到稀疏自编码网络进行训练分类；赵光权等[2]提出一种基于深度置信网络的故障特征提取及诊断方法；王丽华等[3]提出了一种基于短时傅里叶变换与卷积神经网络结合的电机故障诊断方法；袁建虎等[4]提出了一种基于小波分析基础上的时频图结合卷积神经网络的滚动轴承的故障诊断方法。上述几种方法的使用均在一定程度上提高了轴承故障诊断工作的效率和准确率，但同样摆脱不了对原始数据预处理工作的依赖。……