彭彬森，夏 虹，王志超，朱少民，杨 波，张汲宇

(核安全与仿真技术国防重点学科重点实验室(哈尔滨工程大学)，哈尔滨 150001)

滚动轴承是很多旋转机械设备传动装置的关键部件，由于其运行环境复杂多样，因此也是发生故障最多部件之一[1].一旦发生故障，轻则影响设备的正常运行，重则引起严重的安全事故，并造成巨大的经济损失及人员伤亡，因此为了提高滚动轴承的安全性，防范事故的发生，对滚动轴承的运行状态进行监测及诊断是十分有意义的.

当前针对像滚动轴承的故障诊断方法主要分为两类：一类是以信号分析为主的传统诊断方法，这类分析方式需要大量的专家知识；一类是以数据驱动为主的智能机器学习方法，这类方法不需要大量的专家知识，而是依靠模型自动学习数据中的特征信息，从而实现故障诊断，然而对于数据量大，数据维度更高，非线性关系更强的大数据，传统智能方法特征提取能力很有限，无法完全提取数据的本质特征.因此需要学习能力更强的方法去提取数据的本质特征.

随着2006年深度学习概念的提出，为解决复杂数据的学习问题提供了有效解决途径[2-3].经过近几年的不断发展，目前深度学习已成为机器学习中最流行的一个分支，它的实用性范围广，极大地促进了人工智能的发展.当前已有一些采用深度神经网络去解决滚动轴承故障诊断问题的研究成果，文献[4]提出深度置信网络对滚动……