张 弛

(上海交通大学机械与动力工程学院，上海 200240)

0 引言

滚动轴承作为旋转机械设备的关键部位，以其为对象进行故障诊断一直是研究的热点。当滚动轴承发生故障时，故障引起的脉冲会周期性重复出现，其重复频率被称为轴承故障特征频率。通过信号处理技术，可以把振动信号中与故障相关的特征提取出来，由提取出的故障特征可以实现对轴承的故障诊断[1]。

目前，常用的信号处理技术主要有两类：一类是以快速傅里叶变换为基础的传统信号处理方法，主要包括功率谱分析、小波分析[2]、经验模态分解法[3]等；另一类是以机器学习为代表的智能诊断技术，主要包括主成分分析(PCA)[4]、支持向量机(SVM)[5]、基于遗传算法的神经网络[6]、深度卷积神经网络(CNN)[7]等。传统信号处理方法往往需要大量先验知识，对故障机理有深入了解，且需要大量工程实践作为辅助支持；智能诊断技术对数据本身特征进行提取，无需对故障机理进行深入研究，但是存在计算量大、耗时长等问题。

随着深度学习理论的日益成熟及计算机算力的提升，深度卷积神经网络在故障诊断上有了广泛的应用。李思琦等[8]应用集合经验模态分解对滚动轴承振动信号进行分解重构，随后将重构后的信号带入卷积神经网络中进行故障诊断。张立智等[9]通过短时傅里叶变换得到信号的时频图。将时频图输入到二维卷积神经网络中从而实现对滚动轴承的故障诊断。杨兰柱等[10]通过对卷积神经网络的卷积层进行改进，将原始信号数据作为输入，对滚动轴承故障诊断进行系统性研究。……