刘 鑫 ，任海莉

(太原科技大学电子信息工程学院，太原 030024)

0 引言

滚动轴承是旋转机械中最重要的部件，也是一种易损件[1,2]。因此，为了减少部件损坏或设备意外停机带来的经济损失，轴承工作状态的识别变得越来越重要。传统的专家诊断方法不适用于目前的多传感监测、大数据量、高集成度的智能诊断条件。智能诊断能够有效分析海量数据中的关联特征，自动提供客观、可靠的诊断结果[3-4]。

传统的故障诊断方法为浅层网络结构，若模型输入特征表示不足，对诊断结果产生较大影响，人工提取特征造成计算复杂度增加以及特征间冗余信息过多的问题。深度学习是人工智能的一个巨大突破，它摆脱了对人工特征提取的依赖，可以自动从原始数据中学习基本特征。自动编码器[5]是一种无监督的深度学习算法，它可以从输入数据中自动提取数据的特征，摆脱了对大量标签的依赖，降低了特征提取的复杂性，提高了分类的准确性。郭亮等[6]采用稀疏自动编码器对输入数据进行特征学习，并采用SOFTMAX分类器实现故障分类，验证了该方法对故障的识别能力。敦泊森等[7]采用稀疏自动编码器与SVM结合的滚动轴承故障诊断方法，实现了智能、准确分类。稀疏自动编码器只是简单地对输入数据进行重构，学习的特征不具有很好的泛化性能。Vincent P等[8]提出一种堆叠降噪自动编码器，该算法在输入数据中加入损伤噪声，通过从损坏的数据中重构出原始数据，学习到更加具有鲁棒性的特征。……