齐爱玲，李 琳，朱亦轩，张广明

(1.西安科技大学计算机科学与技术学院，陕西 西安 710054；2.北京化工大学信息科学与技术学院，北京 102200；3.西安科技大学机械工程学院，陕西 西安 710054)

0 引言

滚动轴承被广泛应用于工业生产中，它是旋转机械的重要组成部分。确保设备能正常工作的前提是滚动轴承稳定运转，若轴承在长期高负荷条件下持续工作，极易引发故障，从而影响设备性能及稳定性，甚至造成人员伤亡[1]。因此需要对滚动轴承故障展开研究，从而较快识别故障种类，提高设备运行效率，增强设备稳定性[2-5]。

由于机器学习研究的不断深入，应用在轴承故障诊断领域的智能故障诊断算法已成为主流算法[6]。传统的智能故障诊断算法分为特征提取、特征选择和故障识别3个步骤[7]。常用的特征提取方法有频谱分析法(SA)[8]、傅里叶变换(FFT)[9]、小波变换(WT)[4]和经验模态分解(EMD)[10]等。特征选择是对前一步特征提取“去粗取精”，常用的方法有主成分分析法(PCA)[5]和独立分量分析法(ICA)[3]。最后将选择后的特征输入到分类器中，通过对数据的反复迭代输出故障识别的结果[7]。反向传播神经网络(BPNN)、随机森林和支持向量机(SVM)等都被广泛用作故障诊断的分类器，均有良好的分类效果[11-12]。然而此类算法进行特征提取时较依赖本领域内的专家知识和经验，提取过程复杂，算法通用性差，大多只能用于浅层结构提取，不能应用于深层结构中[13]。

近年来，由于深度神经网络有良好的自主学习能力，能够从数据中主动学习到数据的本征特征，给故障诊断领域带来了新思路。……