杨瑞双，宁芊，雷印杰，陈炳才

(1.四川大学 电子信息学院，成都 610065；2.大连理工大学 计算机科学与技术学院，辽宁 大连 116024)

近年来，深度学习理论在故障诊断等领域取得了很大的进展[1-4]，卷积神经网络(Convolutional Neural Network，CNN)作为深度学习理论重要的模型之一，在轴承故障诊断领域也不断展现出其自身的价值与巨大的潜力。文献[5]使用离散小波变换对轴承振动信号进行预处理后通过卷积神经网络提取深层次特征并得到了较好地诊断结果；文献[6]提出了一种基于一维多尺度卷积自编码的轴承故障诊断模型，利用并行、多尺度的卷积核和反卷积对原始信号进行特征提取与重构，将提取到的特征图输入到分类器中取得了较好的分类结果；文献[7]利用深度一维残差卷积自编码器对齿轮箱振动信号进行特征提取，并使用少量有标签数据对自编码器进行微调从而实现了齿轮箱的故障诊断。虽然卷积神经网络在故障诊断领域已经取得了不错的成绩，但使用softmax层对卷积层提取的特征进行分类不能很好的分离模型的特征提取与分类功能，可能会导致模型的分类和泛化能力不强。

SVM[9]，KNN[10]等单一学习算法和随机森林[11]、XGBoost[12]等集成学习算法在机械故障诊断领域取得了不错的成就，但是在现今大数据和高维度的环境下，这些分类算法在效率、精确度等方面不能满足需求，轻量级梯度提升机(Light Gradient Boosting Machine，LightGBM)是一种基于决策树的梯度提升算法[8]，其在Boosting算法的基础上针对分类准确率和计算效率等方面进行了优化，比较适用于大样本环境下的分类。……