杨瑞恒，唐向红,b,c，陆见光,b,c，陈功胜

(贵州大学a.现代制造技术教育部重点实验室;b.机械工程学院;c.公共大数据国家重点实验室，贵阳 550025)

0 引言

轴承是广泛运用在各种机械装备中的一种重要的零件，它能否正常运行对于机械装备来说及其重要[1]；轴承出现故障，不仅会造成经济损失，甚至会导致人员受伤。目前，轴承故障诊断日益成熟。若轴承出现了故障，其解决流程一般是收集轴承故障信号，然后提取故障特征，再进行故障分类[2-3]。对于故障的特征提取，其方法有希伯尔特变换[4]、傅里叶变换、经验模态分解[5]、小波变换[6]等。随着机器学习不断发展，其在故障诊断领域得到了很高的重视。把故障特征应用在决策树[7]、贝叶斯分类器[8]、支持向量机[9]和神经网络等机器学习算法[10]中，可以有效地对故障进行分类。

在故障诊断过程中，很多情况下提取的都是非平稳的信号。小波变换能够对该类信号进行时域和频域的局部分析，相较于单一的时域或者频域，小波变换能够更好聚焦在信号的细节上[11]。离散小波变换(Discrete Wavelet Transform,DWT)是小波变换的一种，经过DWT分解的信号拥有无冗余的特点[12]，并且能够较好的展现故障信号的时频特性。

深度可分离神经网络是近年来提出的一种新颖的网络结构，它可以达到和普通CNN同样的效果，并且学习效率更高，可实现在保证准确率的基础上轻量化的网络结构[13]。一些领域内的研究者对深度可分离网络也进行了相关的研究。Shang R H 等[14]使用基于CNN的深度可分离卷积进行SAR图像分类得到了很好的分类效果。……