何 强 唐向红，，3 李传江 陆见光，，3 陈家兑

1.贵州大学现代制造技术教育部重点实验室，贵阳，5500252.贵州大学机械工程学院，贵阳，5500253.贵州大学公共大数据国家重点实验室，贵阳，550025

0 引言

在工业生产中，机械传动设备的安全运行是工业生产过程中的核心要求，设备故障可能会导致严重的经济损失乃至灾难性事故。轴承作为机械传动装置必不可少的零件，有必要对其进行监测与诊断。

轴承恶劣的工作环境(如负载不平衡、变负载、变转速)对轴承可靠性诊断提出了挑战。负载不平衡在轴承旋转时会产生一个与转速同频的不平衡激励力，从而引起轴承的不平衡振动，因此从负载不平衡轴承上测得的振动信号具有非平稳性特点[1]，很难从中提取到有效特征用于故障诊断。短时傅里叶变换(short-time Fourier transform，STFT)作为时频分析方法的一种，能够有效处理非平稳信号，目前在机械故障诊断中已得到了广泛的应用。HE等[2]利用LAMSTAR神经网络对经过STFT预处理的传感器信号进行分类，实现了各种工况下轴承故障精确诊断；王丽华等[3]提出了一种基于短时傅里叶变换和卷积神经网络(CNN)的故障诊断方法，成功应用于异步电动机的故障诊断。由于轴承工作环境以及数据采集设备等原因，实际上采集到的轴承工作数据是有限的；同时，由于轴承大多数时候都处于正常运行状态，导致了其故障样本更为稀少。上述方法虽然实现了机械设备故障的精确诊断，但是训练数据对基于深度学习的故障诊断方法有着较大影响，在小样本、数据不平衡等情况下，其诊断性能会严重下降[4-5]。……