刘 岚，侯立群

（华北电力大学 自动化系，河北 保定 071003）

0 引言

故障特征提取和故障分类是设备故障诊断的两个主要步骤。故障特征提取方法可分为时域法、频域法和时频分析法。时域法和频域法的统计参数很难充分反映设备运行状态的动态变化，而时频分析法获得的故障特征通常维度较高、数据量大。此外，设备运行环境和工况的变化也会增加故障特征的复杂性。这无疑增加了常用故障分类器（如支持向量机和人工神经网络）的训练难度[1]。

深度学习具有超强的学习能力。卷积神经网络（CNN）作为深度学习的重要模型之一，得到了广泛应用[2,3]。由于2D CNN在图像识别领域的成功应用，许多研究者利用2D CNN进行故障诊断[4,5]。也有文献发现，与单独使用CNN相比，利用组合方法，先对故障信号进行处理，再进行故障分类，能提高分类精度[6-8]。但是，振动信号是时域下的一维信号，上述方法可能会导致原始振动信号部分特征信息的丢失。此外，信号变换过程往往需要依赖专家经验，这可能造成原始特征的丢失。因此，适用于图像处理的2D CNN并不是最适合1D信号处理的网络模型。

一维卷积神经网络（1D CNN）的卷积核是一维的，振动信号无需复杂的信号处理就可直接输入1D CNN。近年来，研究者们开始尝试利用1D CNN进行故障诊断[9-12]。例如，Turker Ince等人[12]将电机电流信号输入1D CNN，同时实现故障特征提取与故障分类。

然而，上述网络也存在一些问题。1D CNN直接输入高维信号时，需要增加网络层数来增强对输入信号深层特征的提取能力，这明显增加了网络结构和参数量[13]、计算复杂度和计算资源消耗量，还容易导致梯度消失或梯度爆炸等问题[14]。……