孙 岩， 彭高亮

(哈尔滨工业大学 机电工程学院， 哈尔滨 150001)

滚动轴承在各类机电一体化设备中使用广泛,由于工作过程中长时间旋转磨损、高温等原因，轴承故障是常发故障之一. 轴承发生故障可能造成严重的经济损失或人员伤亡，因此提高诊断效率和准确率十分重要. 轴承故障诊断方法经历了人工经验判断、信号时域分析[1]、频域谱分析[2]、时频域分析[3]、模态分析[4]等阶段，目前应用广泛的方法有人工经验判断，如经验丰富的工人通过听机器响动判断工作状态；时域指标分析如峭度值、平滑指数、基尼指数等；频域分析如傅里叶变换包络分析；时频域分析如短时傅里叶变换、小波变换、S变换等；模态分析即信号通过一定规则分解，得到模态分量后分析的方法，如EMD分解后包络谱分析等. 目前，机电一体化产品日益增多，而传统的故障诊断方法要求人员具有较高的经验知识，且需多指标联合分析后得出诊断结论，无法满足自动化诊断的需求.

随着人工智能技术的发展，应用决策树[5]、支持向量机[6]、朴素贝叶斯[7]等机器学习手段开展故障诊断日益增多，特别是以卷积神经网络为代表的深度学习方法的使用，使故障诊断逐步走向智能化、自动化. ZHANG Wei等[8]提出了一种基于一维深度卷积网络的故障诊断模型，实现了基于一维卷积神经网络端到端的诊断模式；黄驰城[9]利用时频变换和三种经典卷积神经网络模型，实现了二维卷积神经网络在轴承……