谷玉海， 朱腾腾， 饶文军， 黄艳庭

（北京信息科技大学现代测控技术教育部重点实验室 北京，100192）

引 言

滚动轴承是一种应用非常广泛的机械零件，同时也是机器中最容易出现故障的零件之一。如果能够及时、准确地对滚动轴承故障状态进行识别，对保持机器运转的稳定性和安全性具有重要意义。随着故障诊断理论研究的不断深入，学者们提出了各种故障诊断方法，例如：BP 神经网络［1］、PNN［2］、小波分析［3］、EMD［4］、集合经验模态分解（ensemble empirical mode decomposition，简 称EEMD）［5］和 奇 异值分解（singular value decomposition，简称SVD）［6］等。目前，基于机器学习的故障诊断方法主要有Logistic 回 归［7］、支 持 向 量 机（support vector machine，简称SVM）［8］，人工神经网络（artificial neural network，简称ANN）［9］和模糊推断［10］。

随着人工智能的快速发展，深度学习在图像识别和语音识别等方面的应用日益广泛，在故障诊断领域的应用也越来越成为研究的热点［11］。文献［12］采用随机高斯矩阵的方法对轴承信号进行变换域压缩采集，并将处理后的信号作为深度神经网络的输入实现故障的智能诊断与识别。文献［13］采用双树复小波（dual-tree complex wavelet transform，简称DTCWT）与深度信念网络（deep belief network，简称DBN）结合的故障诊断方法对故障类型进行识别。

由于深度学习需要大量的训练数据，所以在没有足够数据的情况下难以取得令人满意的结果。CNN 是一种广泛应用于图像识别领域的深度学习网络方法并取得了优异效果，其初衷是对二维图片进行分类，不能直接用来识别一维振动数据。Peng等［14］提出了一种一维残差块，并在此基础上提出了一种新的更深层次的一维卷积神经网络（deeper one-dimensional convolutional neural network，简称Der-1DCNN）。……