姜家国， 郭曼利, 杨思国

(1.滁州职业技术学院 电气工程学院，安徽 滁州 239000；2.国网安徽省电力有限公司 蚌埠供电公司，安徽 蚌埠 233000)

0 引言

滚动轴承作为一种精密且重要的机械元件, 在采煤机、提升机和通风机等矿用机械设备中应用广泛[1-2]。矿用机械设备工作环境恶劣，滚动轴承容易发生故障，造成严重的经济损失，甚至危及煤矿生产安全。因此，对矿用机械设备滚动轴承工作状态进行诊断具有重要意义。

传统的滚动轴承故障诊断方法有基于模型和基于信号2种[3-4]。基于模型的方法需要建立实际系统的数学模型，如于宁等[5]将状态空间模型与隐半马尔可夫模型相结合并应用于滚动轴承故障诊断中。基于信号的方法主要是通过对故障信号进行分析来提取故障特征，如汪朝海等[6]基于经验模态分解和主成分分析对滚动轴承振动信号进行分析，完成故障识别。然而，矿用机械设备运行工况复杂，建立准确的系统数学模型较困难，且滚动轴承的振动信号多为非平稳、非线性信号[7]，信号分析较繁琐。

随着计算机技术的发展和状态监测系统可采集到的数据越来越丰富，基于数据驱动的方法开始广泛应用于故障诊断。该方法主要是使用历史数据训练模型，再将模型应用于故障诊断。其中，卷积神经网络(Convolutional Neural Network，CNN)在基于数据驱动的方法中应用广泛。李恒等[8]采用短时傅里叶变换提取滚动轴承振动信号特征信息，然后使用CNN对特征信息进行自适应提取，实现端到端的轴承故障诊断。……