任朝晖， 于天壮， 丁 东， 周世华

(东北大学 机械工程与自动化学院， 辽宁 沈阳 110819)

近年来滚动轴承故障诊断方法层出不穷，这些方法的有效与否很大程度上取决于能否从采集到的信号中提取出有效的能够表征故障信息的特征[1].对轴承信号的分析处理常用于轴承的故障诊断[2].Huang等[3]提出经验模态分解(empirical mode decomposition,EMD)及其改进方法用于轴承故障诊断领域且效果良好[4-6].变分模态分解(variational mode decomposition,VMD)[7]能够有效避免模式混叠与噪声干扰[8]且算法效率高，因此广泛应用于设备故障诊断领域.文献[9]以排列熵(permutation entropy,PE)为特征值表征VMD分解后的分量信息，实现对滚动轴承的故障诊断.文献[10]将自适应VMD与极限学习机相结合，用于风力发电机齿轮箱的故障诊断.文献[11]将VMD与散布熵(dispersion entropy,DE)结合，通过计算各分量的互信息确定VMD的分解层数，实现了对坦克行星变速箱的故障识别.

深度置信网络(deep belief network,DBN)[12]具有强大的特征提取能力[13]，且与其他算法兼容性好，可以充分映射隐藏在原始振动信号中的故障信息.Yu等[14]将改进小波包变换与DBN相结合，利用DBN在非线性信号处理上的优点来提取轴承的故障特征，识别故障状态.文献[15]通过优化算法优化DBN结构，利用Softmax对滚动轴承的故障状态进行识别.文献[16]首先用拉普拉斯特征映射获得样本低维特征，然后通过DBN更加充分地表征样本的故障特性，再输入分类器进行故障诊断.Xu等[17]提出一种基于DBN和FCM聚类算法的轴承故障诊断方法，利用DBN对振动信号进行特征提取.文献[18]针对传统特征提……