康 涛，王 书，陈志刚，刘 菲，景腾飞

（1.北京航天万源科技有限公司，北京 100176；2.北京航天拓扑高科技有限责任公司，北京 100176）

0 引言

旋转机械设备广泛应用在航天、交通、工业制造和风力发电等重要工程领域[1]，其在重大工程中扮演着不可或缺的角色，设备发生故障或者停机可能造成严重后果。旋转机械设备中滚动轴承是其非常重要的零部件[2]，同时滚动轴承在恶劣工况下容易出现磨损、裂纹、断裂等故障[3]。因此，采用故障诊断技术对滚动轴承状态的准确识别，可以有效防止轴承故障引起的意外事故。传统的故障诊断技术有：自回归滑动平均模型（Autoregressive moving average model，ARMA）[4]、变分模态分解（Variational Mode Decomposition，VMD）[5]、小波分析[6]、概率神经网络（Probabilistic Neural Network，PNN）[7]等得到了广泛的应用。随着大数据时代的到来，利用海量数据驱动轴承故障诊断算法成为近些年的研究热点。其中基于深度学习算法的轴承故障诊断成为现阶段的主流。主要手段如下：首先人为处理原始信号，然后将信号输入到深度学习算法中，再通过分类器对故障识别。

然而上述介绍的故障诊断方法将故障诊断分割为信号预处理、特征提取、故障分类三个孤立的部分，无法将各个部分形成有效的耦合关系，可能导致在数据传递的过程中出现故障特征损失的情况发生。针对此问题，提出一种端到端的滚动轴承故障诊断模型，将三个步骤直接整合到一个模型中，直接将原始振动信号输入模型中，经过模型计算、算法处理后得到轴承故障类型。提出了一种基于一维卷积神经网络的滚动轴承故障诊断模型。……