闫书豪，乔美英,2

(1.河南理工大学 电气工程与自动化学院，河南 焦作 454000;2.煤炭安全生产河南省协同创新中心，河南 焦作 454000)

现代电气设备多趋向于复杂化与系统化。滚动轴承是电机等旋转电气设备的核心部件，具有易损坏的缺点。滚动轴承发生故障的影响范围较大，会带来巨大损失。因此，轴承的故障诊断对于电气设备的安全运行起着至关重要的作用。在实际工业应用中，电机设备常在变工况的状态下运行，现场传感器所采集多是含噪声干扰的非平稳数据。在噪声干扰的状况下，稳定高效地进行电机轴承故障诊断是目前研究的重点问题[1-2]。

目前，针对含有噪声干扰的轴承故障诊断问题主要集中于信号特征提取与机器学习相结合方法的研究。研究人员通过小波变换[3]、经验模态分解[4]、变分模态分解[5]等信号特征提取方法反映轴承状态。且对工况与噪声干扰不敏感的特征，再通过神经网络[6]、支持向量机[7]等机器学习方法实现故障识别。上述方法在处理小样本低噪声干扰的问题展现出良好的性能，但在处理大量样本且干扰复杂的问题时存在以下问题：将故障诊断方法分为去噪、特征提取、特征降维和特征分类4个孤立的部分，破坏了各部分间的耦合关系，造成部分故障信息损失。因此，采用传统机器学习的算法难以处理数据量较大的问题[8]。

深度学习算法中，卷积神经网络(Convolutional Neural Network，CNN)能有效地提取数据的空间特征，故被广泛应用于图像处理、语音识别、视频处理以及故障诊断等领域[9-10]。……