郝勇，刘尚宗，吴文辉

（1.华东交通大学机电与车辆工程学院，南昌330013；2.青岛四方庞巴迪铁路运输设备有限公司，山东青岛266111）

振动信号分析广泛应用于机械设备的故障诊断和健康状态测试与维护。轴承是机械设备中一种重要零部件，它的主要功用是支撑机械旋转体，降低其运动过程中的摩擦因数，并保证其回转精度，其质量优劣直接影响机械系统的寿命、安全性和稳定性[1]，在旋转机械中有70%的故障是由滚动轴承引起的。轴承振动信号具有非线性、非平稳和缺陷特征微弱的特点[2-3]，因此，从振动信号中直接提取轴承的故障特征较困难且不准确，需要探索一种适用于强背景干扰下的信号特征提取和分析方法实现轴承品质的评估。

振动信号结合机器学习方法常用于轴承的故障诊断和质量品质评估模型的建立[4]。然而，传统的机器学习算法如支持向量机（Support vector machine,SVM）对于大数据训练样本会耗费大量机器内存与运算时间，对于非线性问题还需要选择最优核函数[5]；决策树（Decision tree）不支持在线学习，且会忽略数据集属性间的相关性，模型容易过拟合；逻辑回归（Logistic regression）只能处理两分类问题，对多类特征不能很好处理，容易欠拟合。因此，传统的机器学习算法虽然结构简单，但是在复杂非线性关系的分类问题中其分析能力受到极大限制。

近年来，深度学习作为自动提取特征的典型方法应用于智能故障诊断。Kong 等[6]提出一种新颖的正则化策略，在堆栈自编码模型训练中引入内积，，构造出基于内部产品的堆栈式自编码模型，用以改善工业过程的深层特征。……