朵慕社，纪国宜，朱海龙，杨小东

（南京航空航天大学 机械结构力学及控制国家重点实验室，南京210016）

滚动轴承是现代工业系统应用十分广泛的一种机械设备，在石油、船舶、航空航天领域发挥着重要作用，其工作环境复杂并且长时间运行，容易受到温度、负载、气压等影响，而出现故障，造成生产人员身体伤害和经济损失，据统计旋转机械有30%的故障是由于轴承引起的[1]。因此，实现对轴承实时健康监测和故障诊断，研究新的高精度的故障诊断方法，对降低机械设备维护成本，减少事故的发生具有重要意义。传统的故障诊断方法已取得较好的诊断结果，但仍面临以下两个挑战：(1)传统的特征提取方法是人为依靠经验提取，针对不同工况下的设备提取不同特征的指标，这依赖于专业人员的先验知识[2]；(2)在变转速、高环境噪声条件下能否准确提取出轴承的微弱故障特征，快速进行诊断。因此，有必要寻找一种具有准确度高、鲁棒性强、能适应非平稳状态下微弱故障特征的智能诊断方法。

轴承故障诊断问题分为两个部分：特征提取和故障诊断。振动信号的特征提取方法主要有小波包变换（Wavelet packet transform，WPT）、经验模态分解（Empirical mode decomposition，EMD）、VMD 等，VMD 是一种新兴的、非递归的信号分解方法，其分解精度较高，能较好解决分解过程中的模态混叠问题，克服了EMD 等方法的不足，并具有较高的运算效率和良好的噪声鲁棒性[3]。卷积神经网络是一种典型的神经网络模型，作为故障特征分类器有着较高的准确率。……