赵一瑾

(云南交通职业技术学院 交通信息工程学院，昆明 655000)

0 引言

滚动轴承是旋转机械中最重要的组件之一，在飞机，风力涡轮机，铁路轴和发电机等多个行业中具有广泛的应用[1-2]。由于高速，重载，极端工作温度和污染等严酷操作，轴承很容易发生故障。意外的轴承故障会破坏整个机械系统，停机时间和维护成本会大大增加运营成本。因此，检测轴承故障至关重要，特别是在早期阶段，可以提高系统的可靠性，也可以避免意外事故[3-4]。

当滚动轴承中存在局部缺陷时，会产生周期性或准周期性的脉冲，这意味着轴承故障能够通过从非线性、非平稳的振动信号中提取可识别脉冲频率来进行检测[5]。早期的滚动轴承故障检测方法主要使用小波变换[6]、经验模态分解[7]、希尔伯特-黄变换[8]等数学工具提取故障特征，采用人工干预的方式判别轴承是否发生故障。这类方法虽然具有较优的检测性能，但是由于过度依赖故障诊断专家的知识经验，已经不能满足当前大规模工业生产的需求[9]。近年来，机器学习被广泛应用于故障检测领域中，特别是具备自动特征提取和复杂任务处理优势的深度学习的引入，极大提高了故障诊断的效率和正确率。Liu等[10]利用递归神经网络在捕捉时间序列数据特征方面的突出能力，提出了基于门控循环单元的降噪自动编码器方法用于检测滚动轴承的异常情况并对故障类型进行分类。Wang等[11]提出了一种基于卷积神经网络的隐马尔可夫模型对机械系统的多故障进行分类。……