陈雪俊，贝绍轶，李 波，卿宏军，毛坤鹏

（1.江苏理工学院 汽车与交通工程学院，江苏 常州 213001；2.常州湖南大学机械装备研究院，江苏 常州 213000）

滚动轴承是旋转机械设备中使用最为广泛的机械部件，也是最易损坏的部件之一，有相当一部分旋转机械设备的故障与失效都与其内部安装滚动轴承的故障与失效密切相关。因此，轴承的故障诊断研究具有重要的意义和价值。近年来，随着机械故障诊断技术不断发展进步，人工智能算法在本领域的应用研究成为了一个重要的研究方向［1］。

潘洋洋等［2］通过镜像延拓抑制端点效应并以峭度的大小为指标选取IMF分量进行信号重构。张会敏等［3］对滚动轴承信号进行CEEMD分解，以峭度的大小为指标选取IMF分量进行信号筛选重构，再利用奇异值差分谱进行消噪和重构，滤除了部分的原始滚动轴承的高频和背景噪声。但未能说明如何准确有效地确定CEEMD中白噪声的选取和迭代次数等输入参数选取问题，且首先通过CEEMD分解含有较多复杂噪声信号，再使用奇异值分解，会增大有效IMF分量重构时被筛选剔除的可能性。

Eren Levent等［4］将1DCNN（one dimensional convolutional neural network）分类器与BP神经网络等其他竞争型神经网络做对比，验证了基于一维CNN的故障诊断方法的有效性和可行性。周奇才等［5］在经典卷积神经网络AlexNet基础上，提出基于一维深度卷积神经网络的故障诊断模型，采用改进的一维卷积核和池化层以适应一维时域信号。但缺少降噪方法与卷积神经网络训练模型结合，无法通过降噪，提前降低模型拟合数据和故障诊断的难度，以进一步提高模型的诊断准确率。……