张建宇，任成功

（1.北京工业大学先进制造技术北京市重点实验室 北京，100124）

（2.北京市精密测控技术与仪器工程技术研究中心 北京，100124）

引言

作为机械系统必不可少的组成部件之一，滚动轴承健康与否对设备的整体性能有重要影响。由于运行工况的复杂多变，滚动轴承的振动信号往往呈现出非线性、非平稳等特点，故障特征的有效提取和精准辨识成为轴承诊断的关键。

近些年来，由于在高维非线性数据处理中拥有巨大优势，深度学习在故障诊断领域获得了广泛应用。其中，深度信念网络克服了其他算法易出现的梯度消失、陷入局部最优解等问题，因而更具分析优势。Shao 等［1］采用DBN 对变工况滚动轴承进行故障诊断，获得了较高的准确率和鲁棒性。张淑清等［2］将双树复小波与DBN 相结合，研究了轴承故障的分类辨识问题。李艳峰等［3］采用奇异值分解（singular value decomposition，简称SVD）与DBN 的结合方法，实现了滚动轴承故障程度和故障类型的准确识别。Zhao 等［4］利用变分模态分解（variational mode decomposition，简称VMD）的分析结果构造DBN 的输入向量，实现了滚动轴承故障类型的智能诊断。

尽管深度学习算法为故障智能诊断开辟了新的途径，但目前的智能诊断研究大多围绕同源数据（即同一设备、同种工况）展开，而真实场景下的智能诊断，实施难度则要大得多。现场运行的工业设备，能够采集到的训练样本类型单一，而且健康样本远远高于故障样本的数量。依靠同源数据进行模型训练，将缺少充足的样本支撑。与此同时，由于设备的集成度和智能化水平越来越高，智能诊断的需求却远高于历史上的任何一个时期。……