洪腾蛟, 丁凤娟， 王 鹏 ， 冯 定*， 凃忆柳

(1.长江大学机械工程学院， 荆州 434023； 2.湖北省油气钻完井工具工程技术研究中心， 荆州 434023；3.南京林业大学机械电子工程学院， 南京 210037)

设备的高效运转是建立在精准的故障诊断和及时的保养维修的基础上，根据故障诊断的结果能够判断出设备的运转状态，便于及时对故障设备进行维修和保养[1-2]。随着产品更新换代速度的加快和生产效率的提高，工农业生产对故障诊断的高效性、便捷性和精确性提出了更高的要求。目前常用的故障诊断方法有：直接观察法、专家系统法、振动噪声测试法等。传统的故障诊断方法很大程度上依赖于人工干预和经验值判断，无法准确高效定位和识别故障点、故障类型以及故障程度，尤其是对早期故障的发生缺乏预警能力，给工农业生产带来了较大的风险，甚至影响到作业工人的生命安全[3-4]。近年来，随着研究的纵深和应用面的扩展，深度学习技术取得了诸多重大突破，其具有的强大的特征提取能力和优异的学习训练能力引起了轴承故障诊断领域学者的大量关注和研究[5]。深度学习技术能够在海量多维的测量数据中不依赖人工标记故障特征，自动提取有效参数进行学习，以训练优化网络模型，降低环境干扰和工况变化所引起的故障诊断不准确和故障程度辨识率低的问题，促进轴承故障诊断技术向着自动化和智能化方向发展。基于此，主要概述深度置信网……