庞 俊，刘 鑫，段敏霞，任海莉，侯鑫烨

(太原科技大学电子信息工程学院，太原 030024)

0 引言

现代机械设备正在朝复杂、高强度的工作条件下进行，一旦发生故障，那就可能是灾难性的，因此机械故障隐藏着巨大的风险和经济损失[1]。轴承是机械设备重要的零部件，为了使一些设备能够正常运行，轴承的诊断就是必不可少的[2]，据统计有30%是由轴承的损坏造成的[3]。现在机械设备故障数据海量化，机械设备检测迈入了“大数据”时代。

大数据时代是如何在海量的数据中自动进行特征挖掘，以取代人工进行特征提取，对轴承进行实时检测，保证故障诊断的准确性和高效性。因此处理工业“大数据”的智能诊断就慢慢发展起来，其中卷积神经网络故障诊断就受到广泛的关注[4]。轴承故障诊断是机械研究领域的一个重要方向，故障诊断主要分为两个步骤：一是特征提取，二是模式识别。传统的特征提取的方法可以分为时域分析、频域分析、时频域分析这三大类方法；模式识别的方法主要有支持向量机[5]、多层感知器[6]等。由于卷积神经网络在模式识别、图片分类等领域有良好的特征学习能力，将深度学习模型运用于轴承故障诊断中，成为近些年来国内外专家学者们研究的热点[3]。Janssens O等用卷积神经网络机械轴承故障诊断，比传统故障诊断准确率提高了6%[7]；Chen Lu等运用贪婪训练的逐层传递规则，对深层次结构进行鲁棒性训练[8];Hoang Duy tang等建立神经网络模型进行轴承故障诊断，把原始信号转换成图像作为输入，可以达到较高的精度和性能[9]。……