马怀祥，冯旭威，李东升，齐澍椿

（1.石家庄铁道大学机械工程学院，河北石家庄050043；2.中铁十四局集团有限公司芜湖长江隧道建设指挥部，安徽芜湖241000）

随着大数据的发展，如何有效地处理数据，进行有效分析是当前重要的话题之一［1］。2012年，美国耗资2亿美元用于“大数据研究与发展计划”，将大数据纳入到国家战略标准。2015年，我国国务院颁布“促进大数据发展行动纲要”，明确提倡对大数据关键应用技术的研究和分析［2］。

滚动轴承是旋转机械中最基础、最常用的零部件之一，其工作状态事关整个机械设备的健康状况。统计表明：在使用滚动轴承的旋转机械中，大约有30%的机械故障是滚动轴承引起的，感应电机故障中的滚动轴承故障占电机故障的40%左右，齿轮箱各类故障中的轴承故障率仅次于齿轮，约占20%。因此，研究滚动轴承的故障诊断具有重要意义［3-4］。

随着世界迈入大数据时代，机械领域也不例外。而传统的方法不善于处理数据量较多的问题，因此，将善于处理大数据的深度学习，应用到机械的故障诊断中，为解决滚动轴承故障诊断问题开辟了一条新途径。

当前人工智能最热门的就是卷积神经网络（Convolutional Neural Networks，CNN）深度学习，受到人们关注的一个重要原因就是Alex等实现的深度卷积神经网络（Alex Net）在LSVRC-2010 ImageNet比赛中，取得了非常好的成绩。CNN利用了空间网络，擅长处理图像数据，在计算机视觉方面取得了重大的成就，并且在自然语言处理上也有应用。CNN有着强大的特征提取能力，并且滚动轴承的工作环境通常存在着大量的噪声，早期故障特征非常微弱［5］，因此CNN适合于做滚动轴承的故障诊断。……