曾 成，孙 晓，李文杰，李西宸

（湖南工业大学 机械工程学院，湖南 株洲 412007）

1 研究背景

现代机械装备运行精度要求较高、使用寿命要求较长，机械故障诊断技术[1]已经成为设备健康维护的重要手段。现代故障诊断技术多采用多学科、多专业交叉融合的方法进行预测、监测以及诊断，以实现设备的全寿命周期监控，该技术对设备软故障和硬故障的判定和预测及设备的运行和维护，具有十分重大的意义[2]。

机械故障监测与诊断一般包括3个环节，首先是对设备运行状态进行监测，通过各类传感器获取机械关键部位的运行数据，得到机械振动信号；然后通过传感器采集到的各类数据，结合数学和信号处理等学科知识进行相应的信号预处理，如采用加速度传感器，通过数学积分可以得到机械振动数据，从而得到有效的信号特征和故障特征；最后，将提取的故障信号特征与特征库里的数据进行匹配识别，从而实现对设备运行状态的监测及故障情况的诊断。

张立智等[3]提出了基于经验模态分解（empirical mode decomposition，EMD）和奇异值分解（singular value decomposition，SVD）的深度卷积神经网络（convolutional neural networks，CNN）机械故障诊断方法。该方法通过构建时频域的状态矩阵，提取其奇异值，然后导入卷积神经网络中，该方法较常规卷积神经网络故障诊断具有更高的准确率。黄鑫[2]提出了一种基于卷积神经网络与离散小波变换的行星齿轮箱故障诊断方法，可对信号进行频域上的分解，并可对不同频带的信号进行分析。鄢仁武等[4]提出利用AlexNet卷积神经网络模型，以压缩的时频图作为特征图进行故障诊断；……