尹爱军，陈小敏，谭 建，王 昱

(1.重庆大学 机械传动国家重点实验室，机械工程学院，重庆 4000442.中国石油西南油气田分公司重庆气矿，重庆 400021)

轴承是通用机械中最常用的组件之一[1]，其工作状态影响了各领域机械的寿命、性能、可靠性等。研究轴承的性能退化特征，建立其状态评估模型是提升机械设备可靠性的关键。针对轴承状态评估模型的建立，目前已有不少研究方法[2-6]。刘国增等[7]将小波包AR能量熵与平滑样条方法相结合用于判定轴承的退化状况。张小强等[8]基于人工免疫算法优化离散隐马尔科夫模型，以提高故障诊断精度。刘美芳等[9]融合贝叶斯推论和自组织映射，提出了基于负对数似然概率的轴承性能退化评估指标。Pavle等[10]提出了一种基于Renyi熵的轴承故障预测方法。在现有的轴承状态评估方法中，基于振动信号分析的评估模型需人为提取特征，但由于噪声及非监测部位的干扰，所提取的特征往往不够全面；基于数据驱动机器学习的状态评估模型存在着评估效果依赖模型参数程度高、对轴承早期故障不敏感、过度拟合等问题。

变分自编码器(variational auto-encoder，VAE)提出的优化算法及易优化的随机梯度评估器使其在训练小批量样本上具备高效性，且无需人为提取数据特征。目前，VAE已经成为最流行的无监督学习方法之一[11]，被广泛应用在人脸图像生成[12]、手写数字生成[13]、语义分割[14]等方面。在机械故障检测中，马波等[15]以VAE变分证据下界表征出压缩机组振动信号特征的分布模型，实现压缩机组的故障预警，但当样本容量大于600组时，该方法对压缩机组异常状态的敏感性降低。……