董建伟,王衍学

(1.桂林电子科技大学 机电工程学院,广西 桂林 541004;2.北京建筑大学 城市轨道交通车辆服役性能保障北京市重点实验室,北京 100044)

0 引 言

滚动轴承作为旋转机械的重要组成部件,由于其工作条件复杂,收集到的振动信号也大多为非平稳、非线性信号。

在传统的滚动轴承故障诊断方法中,对其振动信号进行分析是目前普遍采用的一种方法,其相关信号处理的方法也已经成功应用到对滚动轴承的故障诊断中[1-5]。但是人工特征提取过程通常依赖于现有特征或评估标准,这使得挖掘新的有用信号特征变得困难。因此,研究一种能够直接从原始信号中提取特征,适应机械系统变化的自动特征提取方法很有必要。

近年来,深度学习技术越来越受到各个领域研究人员的关注。它具有学习高非线性样本特征的能力,可以逐层处理从输入数据中提取到的信息。从原始输入开始,深度神经网络(deep neural networks,DNN)可以自动发现大数据集中的复杂结构,并逐层学习有用的特征。随着深度学习的发展,智能故障诊断技术,如堆叠自编码(stacked auto-encode,SAE)、深层信念网络(deep belief network,DBNs)、卷积神经网络、长短期记忆神经网络(long short term memory networks,LSTMs)已被成功应用在故障诊断领域[6,7]。

李巍华等人[8]利用稀疏自编码器对不同传感器的特征进行了融合,并将融合的特征向量训练深度信念网络作了进一步的故障分类。陈雪峰等人[9]利用蚁群算法自动确定了深度自编码的模型参数,提高了模型的性能。HOANG D T等人[10]将振动信号转换为二维形式输入到卷积神经网络中,使得模型在不同的负载和噪声条件下,都能取得较好的分类精度。……