赵志宏 李乐豪 杨绍普 李 晴

1.省部共建交通工程结构力学行为与系统安全国家重点实验室，石家庄，0500432.石家庄铁道大学信息科学与技术学院，石家庄，050043

0 引言

目前，故障诊断的传统方法以信号处理技术为基础，分别在时域、频域、时频域上提取故障特征信息以实现诊断[1-3]。传统方法的特征需要人工提取，并且提取到的往往是浅层故障特征。

2006年HINTON等[4]提出了深度学习理论，深度神经网络具有强大的自动特征提取能力，能够拟合复杂映射关系，在很多领域掀起了研究浪潮，在计算机视觉[5]和自然语言处理[6]领域的发展尤为迅速。近年来，深度学习在机械故障诊断方面的研究越来越得到专家学者的关注，取得了不少研究成果。已经用于故障诊断的深度网络模型有卷积神经网络[7-8]、循环神经网络[9-10]、深度信念网络[11-12]、降噪自编码器[13-14]等。降噪自编码器是一种改进的自编码器，在输入信号被损坏的情况下，可以重构出无噪声的输入，以此提高特征提取的鲁棒性。降噪自编码器的主要优势在于它是一种无监督学习模型，可以提取输入数据的本质特征。在降噪自编码器训练的过程中由于输入数据较为复杂，重构难度较大，会导致神经网络不容易收敛，同时缺少标签信息的参与，使得模型很难提取到低维且富含类别信息的特征[15]，这也是自编码器普遍存在的问题。

为了解决网络训练不收敛问题，一些专家学者使用信号的频谱代替时域信号作为自编码器的输入，取得了较好的特征提取能力，在故障分类和寿命预测任务中均取得了比较好的效果。……