尹文哲，夏虹，彭彬森，朱少民，王志超

1.哈尔滨工程大学 核安全与先进核能技术工信部重点实验室，黑龙江 哈尔滨 150001 2.哈尔滨工程大学 核安全与仿真技术国防重点学科实验室，黑龙江 哈尔滨 150001

在核电厂中存在诸多旋转设备，如电机、泵、风机、汽轮机等，它们在核动力系统中扮演着重要的角色，而滚动轴承是旋转设备中最常用的部件之一，其对旋转设备完成预定功能起着至关重要的作用。但由于设计、制造、安装、工况等多方面因素，滚动轴承也是最常出现故障的部件之一。为确保核动力系统安全稳定运行，对滚动轴承进行有效的故障诊断十分必要。

目前最常用的滚动轴承故障诊断方法是振动分析法，即利用滚动轴承的振动信号进行故障诊断。针对该方法的研究主要集中在特征提取和模式识别2 个方面：首先利用信号处理方法，如小波变换[1]、希尔伯特-黄变换[2]、局部均值分解[3]、变分模态分解[4]等，提取原始振动数据的相关特征，并构建特征向量；然后利用机器学习算法，如贝叶斯分类器[5]、支持向量机[6]、神经网络[7]等，对特征向量进行模式识别。虽然传统的滚动轴承故障诊断方法已取得一定的效果，但其诊断模型表达能力有限，且较依赖于信号处理技术和专家经验。

近年来，深度学习已成为学术研究热点，为了增强故障诊断模型的表达能力，摆脱对专家经验的过度依赖，学者们开始研究将深度学习模型应用到滚动轴承故障诊断中，以追求更加良好的诊断效果。……