谢远东，雷文平，韩 捷，陈 磊

（郑州大学振动工程研究所，河南 郑州450001）

1 引言

滚动轴承作为旋转机械以至于机械系统领域中关键性的部位，以支持旋转轴正常稳定的工作状态。任何轴承的意外故障可能导致一些负面影响，例如停机时间增加，生产力降低，甚至造成人员安全等重大问题。随着大数据以及深度学习的发展，依靠算力的智能型诊断方法将会逐渐在智能诊断领域中占主导地位。对于模式识别问题［1］，目前可以分为两种应用场景：（1）用于对轴承剩余寿命进行评估预测；（2）对于轴承的故障类型进行分类。对于RUL（可用剩余寿命）预测，可以分为数据采集、指标系统建立、剩余寿命预测。对于轴承故障分类，即原始信号采集以及数据集预处理、信号特征的提取和选取故障类型。

对于轴承寿命预测来说，近几年，合成的健康指标通常是通过一些数据融合技术构建的，其中多维统计特性均方根（RMS）、方差、峰值被转化成一维特征［2］，取得不错的效果。但是还存在以下缺点：（1）不同的传统的静态特征是从时域和频域中获得，其度量和范围是不一致的；（2）很难确定一个故障阈值（FT）不同机器的故障时间（HI）值有一个很大的变化范围。

对于轴承故障分类来说，传统的方法如文献［3］中对信号降噪，使用EMD和LSTA以及SVM进行分类；文献［4］使用小波进行特征的提取进行了对比以验证传统特征提取方法只适用于一些特定的信号，故方法的通用性不强。设计专用网络［5］成为了传统手工提取故障特征不可忽视的缺点，从而影响进一步发展。……