程道来，魏婷婷，潘玉娜，马向华

(上海应用技术大学 a.城市建设与安全工程学院；b.机械工程学院；c.轨道交通学院；d.电气与电子工程学院，上海 201418)

滚动轴承的运行状态直接影响机械系统的安全性，轴承状态从正常到失效通常要经历复杂的性能退化过程，准确评估其退化程度对实现机械系统的预知性维修具有重要意义。

退化特征指标提取与筛选是性能退化评估的关键，常用的有时域统计指标[1-2]、复杂度指标[3-4]等；在评估方面，常用方法有模糊C均值[5](Fuzzy C-Means,FCM)、支持向量机[6](Support Vector Machine,SVM)、K-Medoids聚类[7]等。在这些评估方法的应用中，需要大量的人工经验和多种信号分析方法进行特征指标群的筛选，建模时则需要退化甚至是失效状态下的数据。

深度学习能够从原始的大数据中挖掘关键特征，在故障诊断中得到了较为广泛的研究[8-10]，但主要集中在故障分类方面。作为深度学习研究热潮的早期模型，深度置信网络[11](Deep Belief Network,DBN)的研究热度已经褪去，但其在特征自提取方面具有的优势却没有被很好的挖掘。

支持向量数据描述[12](Support Vector Data Description,SVDD)作为一种单值分类方法，常应用于数据异常点检测[13]，仅需要正常样本进行模型训练，为故障诊断中的异常数据匮乏问题提供了解决途径[14]。

基于以上分析，提出一种基于DBN-SVDD的滚动轴承性能退化评估方法，以滚动轴承正常状态下的归一化幅值谱作为DBN特征自动提取模型的训练样本，将DBN模型提取出的特征向量用作SVDD评估模型的训练样本，最终实现滚动轴承性能退化评估模型的建立。……