何知义 邵海东 程军圣 杨 宇

1.湖南大学汽车车身先进设计制造国家重点实验室，长沙，410082 2. 湖南大学机械与运载工程学院，长沙，410082

0 引言

随着智能制造的大力发展，人们对机械设备全天候安全运行的要求也越来越高。一旦机械设备出现故障即使是局部潜在故障，都可能带来不可估量的灾难性后果[1-2]，因此，机械设备的智能状态监测与诊断具有重要的意义[3]。

近年来，热成像图像作为机械设备智能故障诊断一个新的监测目标，引起了有关研究人员的关注[4-5]。相比于传统振动信号采集中的接触式测量，热成像过程是非接触式测量，为机械设备的监测与诊断提供了更便利的测试手段。因此，一些学者提出了基于热成像图像的机械设备故障诊断方法。NASIRI等[6]将热成像图像作为卷积神经网络(convolutional neural network，CNN)的输入来识别冷却散热器的健康状态;JANSSENS等[7]提出了基于CNN和热成像图像的机械设备健康监测方法;JIA等[8]构建CNN来识别热成像图像，进而完成转子系统对应健康状态的故障分类。

目前，基于热成像的机械故障诊断方法主要基于不同的深度学习方法，虽然在机械设备故障诊断中取得了一定的成果，但存在两个主要问题：①需要大量的热成像图像样本对深度学习网络进行训练，而在实际工程应用中很难获取大量的故障样本信号；②深度学习方法往往将图像向量化后作为网络的输入，或将学习得到的特征直接向量化并作为分类器的输入来进行分类识别，而热成像图像本质上是高阶张量信号，对热成像图像的向量化或图像特征值的向量化不仅会带来维数灾难等问题，也会破坏图像张量结构的内在信息[9]。……