王 丹，金光灿，邱 志，邢彦锋

（1.上海工程技术大学 机械与汽车工程学院，上海 201620；2.舍弗勒贸易（上海）有限公司，上海 201804）

0 引言

轴承故障诊断一直以来都是学者研究和工程应用的重点，轴承对于旋转机械设备起着至关重要的作用。传统基于振动理论的轴承故障诊断有很多方法，如奇异值分解［1］、经验模态分解［2］、包络谱分析［3］、谱峭度法［4］等，这些方法不仅依赖于诊断者的理论知识储备，在数据预处理阶段也需要耗费较长时间。

机器学习作为人工智能领域极具影响力的学科之一，在轴承故障诊断方面提供了很多可行性方案。支持向量机与随机森林作为机器学习的常用方法被用于轴承故障诊断［5-6］。然而，传统的机器学习通常需要人工构造特征，并把特征映射到目标空间，降低了使用的便捷性。2006年，Hinton 等［7］提出深度学习理论，由此掀起了深度学习的研究热潮。其中，卷积神经网络（Convolution Neural Net⁃work，CNN）算法因其在特征学习和模式识别方面具有良好效果，常被应用于语音识别、图像处理和目标检测等［8］。如葛程等［9］利用卷积神经网络进行图像分类研究，刘斌等［10］利用神经网络进行汽轮机发电机组故障诊断。深度学习避免了人工提取特征的弊端，在轴承故障诊断领域也得到了广泛应用。部分学者针对以时域一维信号作为卷积神经网络输入的轴承故障诊断进行了许多研究，并取得了一定成果［11-16］。如李恒等［17］直接对振动信号进行短时傅里叶变换（Short-Time Fourier Transform，STFT），以时频谱作为卷积神经网络的输入；……