孙庞博，符 琦，陈安华，蒋云霞

(湖南科技大学计算机科学与工程学院，湖南 湘潭 411201)

1 引言

滚动轴承是机械设备中的核心部件之一,其运行状况关系到设备能否安全高效地运行，而设备长时间运行在恶劣的工作环境中,使轴承成为了旋转机械设备中最易损伤的部件之一[1]。故障诊断是提高机械使用可靠性，保障机械各部件长周期稳定运行，减少因故障停机带来经济损失的一种重要技术。传统的故障诊断方法借助专家领域知识从信号中人工提取特征，但由于信号的非线性、非稳态等特点，特征的提取与选择，以及诊断模型的建立与分析过程相当费时费力，因此，如何高效地提取有区分度的特征并对故障进行准确识别成为故障诊断领域的研究热点和难点[2]。

近年来，作为人工智能技术之一的深度学习方法发展迅速，由于其可以从海量数据中自主学习并提取特征数据，现已成功地应用于智能故障诊断等领域。深度学习方法常用的网络模型包括深度自编码器 DAE(Deep AutoEncoder)、卷积神经网络CNN(Convolutional Neural Network)、深度信念网络DBN(Deep Belief Network)和深度残差网络DRN(Deep Residual Network)等。这些网络模型通过对一维～三维输入数据进行原始时域信号预处理，提升模型的诊断效果。Sun 等[3]和Zhao等[4]分别通过小波包分析将原始振动信号转换为二维信号，并分别作为DRN模型和CNN模型的输入，提高了模型的效果；Shao等[5]提出一种改进的DBN模型，实现对故障特征的自动提取，克服了传统方法依赖手动设计特征的缺点。上述研究……