吴晨芳， 杨世锡， 黄海舟， 顾希雯， 隋永枫

(1. 浙江大学 机械工程学院 流体动力与机电系统国家重点实验，杭州 310027；2. 华电电力科学研究院有限公司，杭州 310030； 3. 杭州汽轮动力集团有限公司，杭州 310016)

滚动轴承一般由内圈、外圈、滚动体和保持架组成，广泛应用于风机、水轮机、航空发动机等旋转机械中。这些旋转机械往往运行于变工况且工作环境恶劣下，使得滚动轴承容易出现各种故障[1]。据统计,旋转机械的故障中轴承的损坏故障约占30%[2]。当其出现局部损伤或缺陷时，轻则使设备产生噪音、振动异常，重则导致设备非计划停机，因此对滚动轴承进行及时的故障诊断至关重要[3]。传统的滚动轴承故障诊断主要是依靠各类信号处理方法[4-5](如包络分析、小波变换、经验模态分解等)提取故障特征，再用模式识别方法[6](如人工神经网络、聚类分析、支持向量机等)进行分类诊断。但是滚动轴承的信号呈典型的非平稳、非线性，存在多故障并发，频率耦合，重要频率模糊等问题，信号处理过程中很难提取出能准确刻画故障信息的特征并且所提取的特征可能只对当前工况数据有效[7]。随着人工智能技术的快速发展和信息化时代的到来，深度学习作为机器学习的一个重要分支在各个领域都得到了广泛应用[8]。相比传统机器学习方法需要人工特征作为算法输入，深度学习以原始数据作为算法输入，由网络层层提取特征，然后通过特征到故障类型的映射最终实现故障诊断。……