汪友明，程 琳

(西安邮电大学 自动化学院,陕西 西安 710121)

滚动轴承作为机械设备的易损部件，其健康状态对整个机械设备的性能、稳定性以及使用寿命有着巨大的影响[1]。因此，在滚动轴承出现局部损伤、缺陷或者早期故障时，需要准确地获取故障信息并快速地识别故障。轴承故障数据具有数据量大、故障类型多和和运转速率高等3个特点[2]。每个轴承有上万个测试样本点，需要通过智能诊断方法进行自动分析，在不同工况、不同频率下造成轴承故障的原因和类型也多种多样。并且，机械设备的各个部分密切相关，仅仅因为轴承的微小故障就有可能使整个机械设备处于瘫痪状态。

特征提取和状态分类是轴承故障诊断的重要部分。传统的轴承故障诊断大多采用机器学习[3]的方法，需要信号处理技术和诊断经验，依赖轴承故障数据的先验知识提取特征，使得训练的网络模型普适性差，给不同工况下的故障识别与诊断带来了严重困扰。深度学习[4-6]能够从原始机械故障输入数据中提取出具有良好抽象和泛化的特征,尤其适合处理复杂故障诊断数据。卷积神经网络[7](Convolutional Neural Network，CNN)作为深度学习的经典算法之一,其局部连接、权值共享以及池化操作等特性使之可以有效降低网络的复杂度,降低训练参数的冗长现象,具有鲁棒性强、容错能力高、易于训练和优化等优点。利用CNN能够捕获特征的优势，对旋转机械进行故障诊断[8]。当加速度传感器所采集的滚动轴承振动信号为一维时序数据时,利用紧凑的自适应一维CNN分类器可对滚动轴承进行进行轴承故障分类[9]。……