楼剑阳，南国防，宋传冲

上海理工大学 能源与动力工程学院，上海 200093

0 引言

随着工业互联网的快速发展，从各种机器收集大量传感器数据已成为现实.在实际工业生产中，利用这些数据进行工业状态监测和故障诊断的需求和要求越来越高[1].作为旋转机械的关键部件，滚动轴承因工作环境恶劣而易于损坏，其故障数量占旋转部件故障数量的30%[2].因此，监测滚动轴承工作状态对事故预警具有重要意义.通过分析振动信号实时监测机器的健康状况是一种常用的故障诊断方法[3].近年来，深度学习在图像处理、机器视觉和语音识别等领域均得到了广泛的应用[4].作为一种完全自动化的端到端识别过程，深度学习可以省去基于人类知识的特征提取步骤，因此被运用到机械智能故障诊断中.

时频分析可以揭示非平稳振动信号的动态特性，常应用于轴承故障分析.时频分析方法包括短时傅里叶变换[5]、经验模态分解[6]和小波变换[7]等多种振动故障分析方法，但这些方法存在明显缺点：短时傅里叶变换在不同频域内只有固定的分辨率；经验模态分解缺乏理论证明；小波变换只会提取低频信息，而高频细节信息在解析过程中易被丢失.与上述时频域分析方法不同的是：小波包分解(Wavelet Packet Decomposition)方法不仅可以通过频率高低动态调整时间分辨率大小，还可以在提取低频信号的同时获取高频信号.小波包分解可以对振动信号进行时频分析，处理得……