田科位，董绍江，姜保军，裴雪武，汤宝平，胡小林，赵兴新

(1.重庆交通大学 机电与车辆工程学院 重庆 400074；2.重庆大学 机械传动国家重点实验室 重庆 400030；3.重庆工业大数据创新中心有限公司 重庆 400056；4.重庆长江轴承股份有限公司 重庆 401336)

滚动轴承作为旋转机械的关键零部件之一，其健康状态对整个机械设备的性能、稳定性和使用寿命有巨大的影响[1]。在实际工作过程中，由于工作环境的变化和不可避免的噪声干扰，很难提取和概括特征。因此，建立一种准确、鲁棒的滚动轴承故障诊断模型具有重要意义。

基于数据驱动的智能故障诊断方法逐渐成为故障诊断领域的主流应用[2]。Qu等[3]利用双树复小波包变换与多分类器相结合的方法对滚动轴承进行了诊断；Ali等[4]使用经验模态分解和人工神经网络，对轴承的故障诊断进行了研究；史庆军等[5]提出了基于经验模态分解和局部均值分解方法相结合，将特征量矩阵输入到支持向量机实现轴承故障检测。这些方法虽然拥有不错的性能，但是都极度的依赖于故障诊断专家的经验和知识，而且针对不同类型的故障所使用的特征提取方法也不尽相同。

近年来，深度学习技术在计算机视觉，语音识别和自然语言处理等多个领域都取得了巨大的成功。深度学习方法可以从振动信号中自动提取故障特征[6]，因此也被广泛应用在滚动轴承故障诊断领域。Abdeljaber等[7]提出了一种自适应一维深度神经网络模型，用来对旋转机械进行检测和定位结构损伤；……