陈志刚，高 鹤，刘 菲，杨志达

（北京航天拓扑高科技有限责任公司，北京 100176）

0 引言

滚动轴承是机械设备中常见的组件，从简单的电风扇到复杂的机床上都有滚动轴承的应用。事实上，超过50%的机械缺陷与轴承故障有关，从而导致机器停产、停机、甚至造成人员的伤亡[1]。因此，滚动轴承故障诊断是机械故障诊断的一个重要方面，也是近些年来的研究热点。近些年来，随着学者们的不断深入研究提出了各种故障诊断的方法。传统的研究方法有：BP 神经网络[3]、概率神经网络（Probabilistic Neural Network，PNN）[4]、小波分析[5]、EMD[6]、集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）[7]、奇异值分解（Singular value decomposition，SVD）[8]等得到了广泛的应用。目前基于机器学习的故障诊断方法主要有，如Logistic 回归[9]、支持向量机（Support Vector Machine，SVM）[10]以及人工神经网络（Artificial Neural Network，ANN）[11]、模糊推断[12]。

人工智能的蓬勃发展，深度学习在图像识别、语音识别等领域得到广泛运用。反应轴承故障的振动信号在本质上与语音相同，都属于对声音信号进行分类，提出一种基于深度学习的滚动轴承故障诊断，首先使用一维卷积神经网络层（One Dimension Convolution Neural Networks，1D-CNN）提取特征，随后使用门控循环单元网络层（Gate Recurrent Unit，GRU）捕捉这些特征图的时间动态，故障的分类取决于通过全连接层的最终GRU 单元的输出。首先利用数据集通过对比实验确定GRU 和CNN 的网络结构和相关参数，从而确定整个目标域的网络架构及参数。

1 基础理论

1.1 一维卷积网络

卷积神经网络（Convolution Neural Networks，CNN）是共享权重、局部连接的多层神经网络。卷积神经网络的构成主要包含隐含层、输出层及输入层。输入层主要从图像资源中获取图像的像素矩阵资源，隐含层主要用于接收输入层的输出并完成对图像特征的提取，输出层主要将隐含层的结果进行输出。……