路小娟，石成基

(兰州交通大学 自动化与电气工程学院，兰州 730070)

滚动轴承作为旋转机械设备的重要组成部分，在长期大负荷、高强度的复杂工况下，极易产生各种故障，导致机械设备工作性能恶化，直接影响了生产系统的安全稳定运行。采用单一的智能检测方法已经很难得到准确的诊断结果。如何融合多种数据源，实施对目标轴承进行快速、可靠的检测，使其诊断结果具有准确性和稳定性成为研究的热点和难点，具有一定的研究价值和实际的应用需求。

故障诊断问题的多维化和复杂化致使基于信号处理的诊断技术愈加繁琐。近年来，随着机器学习技术的快速发展，使得数据驱动的智能化故障检测和诊断技术受到广大学者的广泛关注。文献[1]利用深度神经网络与浅层学习机相结合的方法构建混合智能故障诊断模型，达到了轴承故障诊断的目的。文献[2]中，金棋等人提出一种基于深度学习特征提取的行星齿轮箱故障的方法，利用多个堆栈降噪自编码器提取故障特征来实现对齿轮箱的故障诊断。文献[3]利用基于多小波系数的故障特征提取的方法，提取机械振动信号多小波系数的最大值、最小值以及均值等统计特征用于故障诊断。文献[4]利用深度置信网络对齿轮系统的振动信号进行特征提取，然后利用DBNS强大的映射表征能力进行故障辨识。文献[5]是通过局部均值分解算法对故障信号进行自适应分解，然后利用峭度准则及切片双谱分析来提取故障特征的频率信息。……