余龙靖，王 冉 ，刘丰恺

（上海海事大学 物流工程学院，上海 201306）

0 引言

滚动轴承是工业设备中最重要的部件之一，其故障会立即危及机械设备的特性[1]，因此对滚动轴承的故障诊断具有关键的意义。传统方法使用单独传感器的精确测量信号进行诊断；但是，由于单个传感器给出的故障信息比较有限，不能完全反映被测目标的故障情况，因此必须采用多个传感器对滚动轴承的故障信息进行采集和融合[2]。

随着深度学习(Deep learning)技术的发展，利用深度学习实现特征提取自动化和端对端的故障诊断方法，将预处理、特征提取、特征分类整合到一起，可以很好地进行故障诊断[3-5]。Guo 等[6]使用深度自编码器模型(DAE)提取轴承振动信号的时域与频域特征故障进行诊断；Lu 等[7]利用卷积神经网络(DCNN)进行滚动轴承的故障诊断，并验证了该方法在噪声存在时的有效性和适应性。Zhang 等[8]使用深度卷积和实体模型对故障滚动轴承进行诊断，立即求解振动信号，并通过融合域响应方法进行域转移，提高了实体模型诊断的实际效果。

目前，基于振动信号的测量分析方法由于其信息丰富、物理意义明确、易于识别和决策，已成为最常用和有效的方法之一。然而，在很多实际情况下，一方面由于设备或工作环境的限制，振动传感器的安装不方便；另一方面，在高温、高湿、高腐蚀和有毒的环境中，振动信号不易测量，这限制了振动诊断方法。

基于声学的诊断(ABD)技术可以绕过这一限制。在这种情况下，可以采集设备的声信号并应用于故障诊断[8]。……