王正家，刘 鸣，何嘉奇，陈长乐

(湖北工业大学 a.机械工程学院；b.现代制造质量工程湖北省重点实验室，武汉 430068)

0 引言

故障诊断在工业生产过程中有着非常重要的作用。传统的故障诊断方法依赖于专家经验，如专家系统[1]。随着传感器技术的快速发展与大量应用，工业设备在运行过程中会产生大量的数据，而这些数据中隐藏着设备运行状态信息，因此基于数据驱动的故障诊断方法[2]越来越得到人们的重视。

特征提取是基于数据驱动故障诊断的重要环节。目前，应用于工业故障诊断领域内的特征提取方法大致分为2种：基于深度学习的特征自提取方法[3]和人工特征提取方法。夏洪刚等[4]通过收集溶解在电力变压器中的气体比例数据，结合CNN算法实现了电力变压器故障诊断，为完成CNN算法的训练及测试，共使用了多达4000个含7种状态标签的样本数据。显然，基于深度学习的特征自提取方法更适用于数据集充足的领域，而工业设备是以安全、稳定运行为使用目标的，人们很难从设备端收集大量带有故障标签的运行数据，从而导致该方法未被广泛应用。因此，基于人工特征提取的故障诊断方法仍然是当前工业设备故障诊断领域特征提取的主流方法。

然而，现有的人工特征提取方法并没有充分考虑工业设备数据包含的“多变量+时序”二维特性。张星星等[5]通过提取滚动轴承振动时序信号的时域特征作为特征向量，然后采用多种传统机器学习算法进行故障诊断。……